Agentic Workflow 和 LLM Workflow 真正區別不是"創意 vs 穩定"

彭俊旗分享緊佢開發 Amazon 主圖生成應用嘅經驗。主圖要求好嚴格：產品唔可以變形、材質唔可以錯、顏色要準、賣點要啱、平台規範要跟足。佢強調呢類任務嘅執行路徑完全可以預先定義，例如：讀取產品資訊、識別賣點、檢查規範、生成提示詞、生成圖片、做一致性檢查、輸出可用版本。

呢條路徑好似一條生產線，每一步都有輸入、輸出同驗收標準。

如果用 Agentic Workflow 嘅自由發揮方式，AI 太自由反而係風險：今日加背景、聽日換角度、後日改質感，聽落係優化，但喺電商入面全部可能變成違規或誤導。所以呢類場景核心唔係令 AI 更有想像力，而係令 AI 先進入一個確定嘅流程。

A+ 圖嘅要求同主圖好唔同。佢要講賣點、組織視覺節奏、決定邊一屏講功能、邊一屏講場景、邊一屏講對比。呢啲決策好多都冇辦法預先寫死，例如：產品應該主打「省時」定「耐用」？呢個判斷要睇產品、競品、評論、用戶痛點、價格帶同類目嘅流行趨勢。

如果流程太死，做出嚟嘅圖就會好似模板，每張都正確但冇擊中用戶。

所以 A+ 圖入面有啲節點更適合 Agentic Workflow：分析競品頁面、從評論歸納購買動機、判斷用戶最關心嘅三個轉化阻力、提出幾種內容敍事方向、比較邊種方向更適合產品。呢啲節點需要探索、假設、比較、喺資訊不足嘅時候做判斷。

好多創意工作其實可以流程化。例如寫公眾號文章，表面係創意，但如果要穩定產出，可以拆成選題判斷、案例調研、結構設計、初稿生成、事實核查、風格校準、標題優化等步驟，大部分都可以預先設計。呢個就係 LLM Workflow，只係將創意過程工程化。

關鍵唔係任務名稱，而係任務結構。

反過嚟，一啲看似穩定嘅工作都會突然出現不確定節點。例如客服：查訂單、解釋政策係流程化，但用戶問「訂單退了一半另一半仲配送，優惠券點計？」呢個就唔係標準 FAQ，需要判斷邊界情況、查規則、決定係咪升級人工。呢個局部就有 Agentic 特徵。

彭俊旗提出四個問題去判斷每個流程：

文章引用咗 Morgan Stanley 嘅 AI @ Morgan Stanley Debrief 案例：系統可以記錄客戶會議、生成摘要、提取行動項、起草郵件並保存到 Salesforce。呢個唔係自由探索型 Agent，而係一條好清晰嘅工作流：輸入係會議，輸出係摘要同行動項，人仍然要編輯郵件、確認資訊、承擔專業判斷。

LLM Workflow 唔低級，好多企業最有價值嘅 AI 應用反而係呢種進入真實業務流程嘅工作流。

而 HubSpot 嘅 Breeze Agents 同 Adobe Experience Platform Agent Orchestrator 就展示另一種方向：佢哋唔係單點工具，而係喺 CRM、客戶對話、交易歷史、營銷內容之間做編排。呢啲系統說明企業真正需要嘅係一套可運營嘅 AI 工作流：底層流程穩定、中間節點能判斷、關鍵動作可控、最終結果可驗收。

彭俊旗最後用一句話總結：LLM Workflow 係將 LLM 放進確定流程入面；Agentic Workflow 係令模型喺不確定路徑入面動態決策。前者解決穩定產出，後者解決開放探索。但企業要做嘅唔係二選一，而係將一個業務流程拆開：穩定部分用 Workflow 控制，不確定部分畀 Agent 探索，高風險部分加上人工確認，最終將結果沉澱成可持續運營嘅系統。

AI 應用唔係將模型接入嚟就完，真正嘅難點係將數據、控制同結果連起來。

佢最後提出幾個更關心嘅問題：呢個 AI 工作流有冇進入真實流程？有冇穩定結果？有冇令人從低價值執行走出來？有冇將人推到判斷、審美、創造同責任嘅位置？如果有，佢就有價值。如果冇，概念再新都只係概念。