为什么agent和workflow可以融合在同一个架构里？

首页 > AI技术 > 正文

为什么agent和workflow可以融合在同一个架构里？
2026-04-25

在今年，AI应用层的技术已经从workflow全面转向自主性agent。前者的典型代表是n8n、dify，后者的典型代表是OpenClaw、Hermes、CoWork。但是，未来的新技术肯定不是对旧技术的全盘否定或全盘肯定，而是有克制的「扬弃」。

我在上一篇介绍我们的新技术栈AmphiLoop的时候，引入了一种新的程序架构，称为「amphiflow」。Amphiflow是一种全新的、也是世界上第一个「决策与执行解耦」的架构，它同时具备workflow和agent两种运行模式，而且能够在两种模式之间自动切换。

今天借周末的时间，我们一起剖析一下这种架构背后的实现原理，并分析一下它如何能同时发挥两种模式的优势。

点击这里下载源码 ➜ https://github.com/bitsky-tech/AmphiLoop/

Amphiflow的工作方式

完成任何一个任务，都需要确定目标和路径两个因素。举个简单的例子：

在上面的网格中，假设S点有一个机器人，它的任务目标是从S点走到D点。再假设这个机器人只能水平或垂直移动。

按照workflow模式（也是传统软件的思路），一般来说，我们需要在编程时指定具体的路径，机器人才能知道如何行动。如下：

当然，从S到D不止一条路径。但我们的workflow只需要指出一条路径就行。

而按照自主agent模式，我们就没有必要提前指定一条路径。我们只需要指定任务的目标（也就是到达D点），然后LLM会自动找到路径。这也是当今AI Agent技术与传统软件的本质区别。更详细的讨论参见《AI Agent时代的软件开发范式》中提到的“编程范式的转变：从面向step到面向goal”。

现在假设机器人在沿着既定路径的移动过程中，碰到了一个预料之外的“障碍”（如下图红色挡板）。

如果机器人是由workflow模式驱动，并且这个红色障碍是workflow编程时无法预期的，那么这时候就只有一个结果：任务失败。

但是，如果机器人在遇到障碍时转换成了agent模式，那么它可能会绕过去继续前进。如下图：

如果障碍实在远超预期，导致原来的路径已经完全不可用，agent模式还可能干脆重新规划一条路径。如下图：

以上这个例子虽然只是一个比喻，但已经说明了amphiflow最基础的工作原理：

amphiflow首先工作在workflow模式。一旦碰到预料之外的障碍，某一步发生错误了，就切换到agent模式。在agent模式下，可能产生两个降级。
先是尝试小降级。它会试图「修复」当前这一步的错误。如果它能够以agent模式正确完成当前这一步，那么就重新切换回workflow模式，继续向下运行（对应前面碰到障碍绕过去的情况）。否则，在多次修复尝试失败后，会进入大降级。
大降级：程序整体切换到一个大的agentic loop，完全以agent模式来尝试完成原始的task goal（对应前面重新规划出一条路径的情况）。当然，它会考虑原来workflow已经完成的部分，在这个基础上去执行剩下的动作。

在使用AmphiLoop进行构建的时候，在Project Mode这一步选择2，就能生成amphiflow架构的程序。如下：

当然，上面的介绍中忽略了一些细节。Workflow模式也并非在编程时一定要指定具体的路径，它也可以包含一个动态的算法来动态计算出一条路径。但这里的关键在于：对于workflow模式来说，如果执行路径中出现的障碍是它非预期的，它就无法解决。但是，agent模式却可以处理非预期的障碍或情况。

Amphiflow的优势

Amphiflow可以同时具备workflow和agent两种模式的优势：

在预期范围之内运行时，使用workflow模式，稳定、可控，不依赖LLM，节省token。
当发生预期之外的环境变化时，切换到agent模式，自主应对非预期情况，绕过障碍或者通知人类解决障碍。

正是因为这一新架构同时具备workflow和agent模式的特征，所以才被称为amphiflow (amphibious flow)。

Amphiflow的实现原理

要讲清楚amphiflow的实现原理，有两个方面需要解释：

workflow模式和agent模式是怎么融合到一起的？
在workflow模式出错的时候，又是怎么切换到agent模式的？

其中问题1，又需要涉及到两个概念：

「观察 - 思考 - 行动」循环，即Observe-Think-Act cycle。在AmphiLoop的架构中，两种运行模式都可以统一归结到这个循环上。它们共享观察 (Observe) 与行动 (Act) ，但是思考过程 (Think) 则各自独立。
决策与执行解耦，即Decoupling Decision from Execution。在AmphiLoop的架构中，两种运行模式各自独立的Think产生独立的Decision。

这里涉及到的核心实现代码，基本都在bridgic-amphibious模块的_amphibious_automa.py文件中。地址：

https://github.com/bitsky-tech/bridgic/blob/main/packages/bridgic-amphibious/bridgic/amphibious/_amphibious_automa.py

「观察 - 思考 - 行动」循环

agent模式看做一个循环，这通常是好理解的：

观察：把观察到的原始数据加工成适合思考的形式。这一步也可以认为是一个「感知」过程。
思考：产生一个决策（decision），以决定下一步如何行动。对于agent模式来说，这个decision由LLM产生。这一步也可以认为是一个「认知」的过程。
行动：调用工具，对环境产生影响。

agent模式的这个「观察 - 思考 - 行动」循环，实现代码在_run_once方法中：

在AmphiLoop的架构中，比较独特的一点是，workflow也实现成了一个「观察 - 思考 - 行动」循环。如何做的呢？首先，观察和行动，是跟agent模式一样的，代码在_run_workflow方法中：

注意上面代码中只有观察和行动这两步，其中有个很关键的decision变量，它不再由LLM产生，而是由workflow产生。代码如下：

以上这段代码调用on_workflow产生一个generator，然后在一个循环中调用__anext__和asend原语从generator中每次拿到一个item（里面包含了item.decision）。这个循环就形成了workflow模式的「观察 - 思考 - 行动」循环。

决策与执行解耦

前面我们看到了workflow模式的「观察 - 思考 - 行动」循环。其中的「思考」过程由workflow的代码隐式地表达。我们看一下on_workflow的一个具体实现例子：

这段代码并非AmphiLoop框架里面的代码，而是每次由AmphiLoop根据具体任务描述（TASK.md）引导生成的代码。因此，on_workflow描述了具体任务的执行步骤。

这里使用了python的yield语法，表示on_workflow方法执行的时候并不代表任务的真正执行。真正的执行延迟到了前面的_run_workflow方法中由_action方法执行。借助这种技术手段，workflow的执行也表现为一个「观察 - 思考 - 行动」循环。每次循环产生一个decision（封装在ActionCall中）。

还需要注意的是，这段代码中不仅仅是ActionCall动作序列，它还可以包含动态逻辑（分支和循环），比如上面代码中的for循环。这表明AmphiLoop的workflow不同于简单的录制重放，而是真正的动态程序。

运行模式的切换

基于前面的「观察 - 思考 - 行动」循环以及决策与执行解耦的架构，workflow模式得以在出错时能够自动切换到agent模式。

以上代码中，self.snapshot和self._run是小降级，相当于在独立的上下文中执行一个agent。其目标是：修复出错的那一步的错误，然后执行它（这里的decision.step_content来自前面的ActionCall的description参数）。这样在修复后还可以切换回workflow模式继续执行。

self.on_agent(ctx)是大降级，相当于启动一个agent，其目标即是原始任务目标，且与原来的workflow共享上下文。

小结

AmphiLoop及其引入的amphiflow架构，是基于agent的自主性优势和传统软件的确定性优势推演出来的未来架构。它瞄准的是当今AI技术不可控、不稳定、极耗token的核心问题，理论上有利于推动AI技术在更广、更加纵深的场景中被采用。

社区交流

（1）我们新建了一个Discord社区，请访问如下地址参与讨论：

https://discord.gg/4NyKjXGKEh

由于微信群维护不方便，也请原来在群里的同学移步Discord。

（2）新的X (Twitter) 账号（后面是发布版本更新动态的主阵地）：

https://x.com/bridgic

（正文完）

其它精选文章：

原创文章，转载请注明出处，并包含下面的二维码！否则拒绝转载！
本文链接：http://zhangtielei.com/posts/blog-amphiflow_implementation.html
欢迎关注我的个人微博：微博上搜索我的名字「张铁蕾」。

上篇：万字长文！两栖模式构建Agent，与OpenClaw/Hermes不一样的解法——开源AmphiLoop