共用基礎：被增強的 LLM（augmented LLM）
本站每個模式都建立在同一個構件上：一顆被「檢索（retrieval）、工具（tools）、記憶（memory）」增強過的 LLM。Anthropic 形容它能自己產生搜尋查詢、挑選合適的工具、決定要記住什麼。
Google 的白皮書用三層來描述同一件事 — 模型層、負責推理的協調層（用 ReAct／Chain-of-Thought／Tree-of-Thoughts），以及對外互動的工具層。用詞不同，骨架相同。
工作流是『LLM 與工具透過預先定義的程式路徑被編排』的系統；代理則是『LLM 動態主導自己的流程與工具使用』的系統。— Anthropic
Workflow 與 Agent：真正的分界
分界在於「誰掌控流程」。工作流裡，控制流程是你寫死在程式中的，LLM 只負責填內容；代理裡，是 LLM 自己決定下一步要做什麼，並持續掌控任務如何完成。
OpenAI 講得很直接：代理是「能代表你獨立完成任務」的系統。那些嵌了 LLM 卻不讓它掌控執行流程的應用 —— 單純聊天機器人、單輪呼叫、情感分類器 —— 都不算代理。
跨過這條線會改變什麼
- 控制流程：人工寫好的路徑 → 由模型自己決定。
- 可預測性：高、可測試 → 較低、執行時才浮現。
- 成本與延遲：大致固定 → 浮動，通常更高。
- 適用時機：步驟事先可知 → 步驟開放、無法預先窮舉。
何時用哪種 — 先求最簡單
Anthropic 的總體建議：先找最簡單的解法，只有在「明顯改善結果」時才增加複雜度。代理系統是用延遲與成本換取更好的任務表現 —— 所以這筆預算要花得有理由。
當任務能拆成可預測的步驟，就用工作流；面對「無法預測要幾步、也無法寫死路徑」的開放性問題，才動用代理。
OpenAI 判斷「該建代理」的三個訊號
- 複雜決策 —— 需要細緻判斷、處理例外、看情境決定（例如退款核准）。
- 難以維護的規則 —— 規則龐雜、改一條就容易出錯（例如供應商資安審查）。
- 高度依賴非結構化資料 —— 要理解文件或自然對話（例如處理保險理賠）。
- 否則：用確定性（deterministic）的解法就夠了。
六種？五種？關於「到底有幾種模式」
促成這個網站的那篇文章談「六種模式」。這個數字其實是「怎麼陳列」的選擇，而非實質分歧 —— 所以值得釐清。
Anthropic 的權威分類是：一個基礎構件（augmented LLM）＋ 五種工作流模式（提示鏈、路由、平行化、協調者—工作者、評估者—優化者）＋ 自主代理。坊間文章湊出「六種」，要嘛是「五種工作流＋代理」，要嘛是把「工具使用／脈絡增強／反思」升格成獨立模式。