3 种执行模型、5 种基础模式，这是 Anthropic 这套方法最有价值的地方：它提醒我们，Agent 不是“把大模型接进流程图”这么简单，而是一套新的系统工程问题。真正决定项目能不能落地的，往往不是模型多强，而是流程如何重试、何时升级人工、怎样处理中断和长任务。

这是什么

源文把 Agent Workflow（由大模型+工具组成、输出带不确定性的工作流）和传统 Workflow 区分开来。传统工作流更像固定管道：相同输入给相同输出；而 Agent Workflow 的节点会做语义判断，失败处理也不再只是报错，而是重试、降级或转人工。

文章把底层执行方式分成 3 类：DAG（有向无环图，执行路径预先确定）、状态机（系统在不同状态间切换，可重试、可暂停、可续接）、事件驱动（通过消息解耦，适合长时间运行和强一致场景）。判断很明确：大多数 Agent 项目更适合状态机，而不是大家熟悉的流程图工具。

在此基础上，Anthropic 又把常见 Agent 设计归纳为 5 种模式，文中重点展开了顺序链、条件路由、并发执行。它们的意义不是发明新术语，而是给团队一套共同语言：你的系统到底是在串行推进、按置信度分流，还是多路并发后择优。

行业怎么看

我们注意到，这类总结之所以受欢迎，是因为行业正在从“模型演示”进入“流程交付”。过去很多团队先做一个能跑的 Demo，后来才发现，一旦进入真实业务，最难的是状态管理、异常恢复、人工确认门和成本控制。

这套框架的现实价值在于，它把选型标准说得比较直白：确定性数据处理用 DAG；有分支、重试、人工确认的业务流程用状态机；运行时间很长、还要求一致性的流程再考虑事件驱动。对企业来说，这比泛泛讨论 Agent 更接近采购和实施决策。

但也有反对意见值得重视。第一，这些模式会让不少人误以为“架构清楚了，Agent 就能上线”，实际上模型稳定性、工具调用成功率、权限管理仍是硬门槛。第二，事件驱动和状态机虽然更适合真实业务，但工程复杂度、维护成本也明显更高；对还在验证需求的小团队，过早上复杂架构可能适得其反。第三，文中提到并发执行能提速，但受串行环节限制，收益未必像想象中那么大。

对普通人的影响

对企业 IT： 采购和自研 Agent 时，重点会从“模型参数多大”转向“流程能否追踪、回滚、续跑、转人工”。这会直接影响系统选型和预算结构。

对个人职场： 懂业务流程的人价值会上升。未来和 AI 协作，不只是会写提示词，更重要的是能把任务拆成步骤、定义判断条件、设置失败后的处理方式。

对消费市场： 普通用户会看到更像“办事助手”的产品，而不只是聊天机器人。但短期内体验仍会不稳定，因为很多服务卡的不是回答能力，而是后台流程是否成熟。