在 AI 應用開發的浪潮中，我們常常聽到兩個核心概念：Workflow 和 AI Agent。他們有非常相似的模式，新手剛入門時不太容易理解他們的區別，所以就想開啟這個主題。

本篇將深入探討這兩個概念的本質、優劣，以及為什麼企業級 Workflow 引擎能成為連接它們的關鍵橋樑。

如 Day02 - Workflow Orchestration 流程編排介紹 所提到的，Workflow 編排早就存在（像 BPMN、Airflow 這些），其使用重點是先定義好步驟與狀態，引擎負責依流程執行。

而新技術 AI Agent 也是跑 多步驟任務 (所以很像)，但它是靠模型在執行時決定下一步，所以結果可能不同。這類系統在錯誤處理、重試、補償與流程及步驟的可觀測性上，還需要成熟的 Workflow 引擎來補強。

實務上兩者會搭配使用，所以往下看下去吧。

1. Workflow 快速重點回顧

• Workflow 是用來「編排」跨多步驟流程的分散式系統模型，保證流程在崩潰、重啟、網路波動下依然可恢復、可重試、可觀察。
• 核心特性
  • 持久性（Durability）：狀態不丟失，可從中斷處繼續
  • 可靠性（Reliability）：自動重試/退避，避免暫時性故障
  • 可觀察性（Observability）：完整事件歷史、易於追蹤除錯
  • 確定性（Determinism）：重播同樣事件序列會得到相同結果
• 基本準則
  • Workflow 內不做外部 I/O、不直接取系統時間/隨機數；一律交給 Activity
• 計時器、重試、併發、等待外部事件（例如訊號、查詢等機制）由 Workflow 編排
• 前面 Day02–Day25 篇章已詳細涵蓋 Workflow/Activity、Retry/Timeout、訊號/查詢、版本演進、測試策略等主題
• AI 串接的「本質」也是分散式系統，那如同上述所說，Workflow 就能夠解決 AI 串接會遇到的各種分散式問題。

2. 理解 AI Agent：智慧決策的力量

2.1 什麼是 AI Agent？

AI Agent（智慧代理）是一種能夠感知環境、做出決策、並採取行動的智慧系統。

在 OpenAI 的 Agent 框架中，一個 Agent 通常由以下部分組成：

1. Instructions（指令）：定義 Agent 的角色和目標
2. Tools（工具）：Agent 可以呼叫的外部能力（如搜索、計算）
3. Context（上下文）：對話歷史、知識庫等
4. LLM（大語言模型）：理解和生成的核心

2.2 AI Agent 的優勢

語意理解能力

// 傳統方式：寫死編碼規則
function decideCategory(message: string) {
  if (message.includes('天氣') || message.includes('氣溫')) {
    return 'weather';
  }
  if (message.includes('記帳') || message.includes('花費')) {
    return 'ledger';
  }
  return 'chat';
}

// AI Agent 方式：理解語義
const agent = new Agent({
  instructions: `判斷使用者意圖：
    - 天氣相關 → weather
    - 財務相關 → ledger
    - 其他 → chat`
});
const intent = await run(agent, userMessage);
// 能理解：「今天會冷嗎？」→ weather
// 能理解：「昨天買了什麼」→ ledger

動態適應能力

AI Agent 可以根據上下文調整行為：

• 處理模糊輸入
• 記住對話歷史
• 學習用戶偏好
• 提供個性化回應

工具使用能力

現代 AI Agent（如 OpenAI Agents）支援 Function Calling：

const agent = new Agent({
  name: 'Weather Assistant',
  tools: [
    {
      name: 'get_weather',
      description: '獲取指定城市的天氣',
      parameters: { city: 'string' }
    }
  ]
});
// Agent 會自動判斷何時需要呼叫工具

2.3 AI Agent 的局限性

不可靠性

// AI 呼叫可能失敗
try {
  const reply = await agent.run(userMessage);
} catch (error) {
  // Rate limit、網路錯誤、模型過載...
  // 需要手動處理重試邏輯
}

無狀態管理

AI Agent 本身不負責：

• 持久化對話歷史
• 管理長時間運行的任務
• 處理並發請求
• 保證冪等性

不確定性

// 同樣的輸入，可能產生不同的輸出
const result1 = await agent.run('記帳100元');
// → "已記錄支出 100 元"

const result2 = await agent.run('記帳100元');
// → "好的，已記錄 100 元的支出"
// 內容相同但文字不同 → 難以做精確的業務判斷

成本與延遲

• 每次 LLM 呼叫都有成本（按 token 計費）
• 響應時間不可控（幾百毫秒到幾秒）
• 無法做到「瞬間」決策

3. 為什麼需要結合？互補的完美組合

3.1 各自的角色定位

3.2 結合模式：指揮官與顧問

想像一個指揮系統：

• Workflow = 指揮官：負責整體戰略、調度資源、確保執行
• AI Agent = 參謀/顧問：提供情報分析、建議決策方案

// Workflow 是協調者
async function chatSessionWorkflow() {
  // 1. Workflow 接收使用者訊息
  const userMessage = await waitForMessage();
  
  // 2. 委派 AI Agent 分析意圖
  const intent = await activities.analyzeIntent(userMessage);
  
  // 3. Workflow 根據意圖決定流程
  switch (intent) {
    case 'weather':
      // 4. 再次委派 AI Agent 處理天氣查詢
      const weather = await activities.getWeatherInfo(userMessage);
      await activities.saveMessage(weather);
      break;
      
    case 'ledger':
      // 5. 複雜的記帳流程（AI + 確定性邏輯）
      const proposal = await activities.parseLedgerProposal(userMessage);
      // Workflow 負責確保記帳的原子性和可靠性
      await activities.saveLedger(proposal);
      await activities.sendConfirmation();
      break;
  }
}

3.3 實際案例：記帳功能

假設使用者說：「昨天中午買了午餐花了 120 元」

純 AI Agent 方案的問題

async function handleLedger(message: string) {
  // 1. AI 解析
  const parsed = await agent.parse(message);
  // parsed = { date: '昨天', item: '午餐', amount: 120 }
  
  // 2. 保存到資料庫
  await db.insert(parsed); // ❌ 如果這裡崩潰怎麼辦？
  
  // 3. 發送確認
  await sendNotification(parsed); // ❌ 重試時會重複記帳
}

問題：

• AI 解析成功，但資料庫崩潰 → 使用者需要重新輸入
• 網路抖動導致重試 → 可能重複記帳
• 無法追蹤執行狀態 → 除錯困難

Workflow + AI Agent 方案

async function ledgerWorkflow(message: string) {
  // 1. 持久化使用者原始訊息
  await activities.saveUserMessage(message);
  
  // 2. AI 解析（Activity 自動重試）
  const parsed = await activities.parseLedgerProposal(message);
  // 如果 AI 失敗，自動重試；成功後狀態自動保存
  
  // 3. 保存記帳（Activity 確保冪等性）
  await activities.saveLedger(parsed);
  // 即使崩潰，重啟後會從這裡繼續
  
  // 4. 發送確認
  await activities.sendConfirmation(parsed);
  // 所有步驟都有完整的執行記錄
}

優勢：

• ✅ 每一步都自動持久化
• ✅ 失敗自動重試（避免重複呼叫 AI）
• ✅ 冪等性保證（不會重複記帳）
• ✅ 完整的執行歷史可追溯

4. 為什麼選擇企業級 Workflow 引擎？

4.1 業務邏輯即程式碼

傳統架構的痛點：

// 需要多個服務協作
await messageQueue.publish('parse-ledger', { userId, message });
// 等待回呼...
messageQueue.subscribe('ledger-parsed', async (data) => {
  await db.saveLedger(data);
  // 再等待回呼...
  messageQueue.publish('send-confirmation', { userId });
});
// 業務邏輯分散在多個地方，難以理解和維護

以 Workflow 引擎的方式：

// 業務邏輯清晰可見
async function ledgerWorkflow(userId: string, message: string) {
  const parsed = await activities.parseLedger(message);
  await activities.saveLedger(parsed);
  await activities.sendConfirmation(userId);
}
// 像寫同步程式碼一樣，但具備分散式系統的可靠性保證

4.2 內置的可靠性機制

自動重試

// 設定 Activity 重試策略
const activities = proxyActivities<ChatActivities>({
  startToCloseTimeout: '1 minute',
  retry: {
    maximumAttempts: 5,        // 最多重試 5 次
    backoffCoefficient: 2,     // 指數退避
    initialInterval: '1s',     // 初始間隔 1 秒
  }
});

// AI 呼叫失敗？自動重試
const intent = await activities.analyzeIntent(userMessage);
// 不需要手動 try-catch，框架會處理

自動持久化

async function chatWorkflow() {
  await activities.saveUserMessage(msg);  // 執行完畢，狀態自動保存
  // ⚡️ 即使這裡程式崩潰...
  const reply = await activities.getAIReply(msg);
  // ✅ 重啟後會從這裡繼續，不會重複執行上一步
  await activities.saveAssistantMessage(reply);
}

4.3 強大的並發控制

串行訊息處理

async function chatSessionWorkflow() {
  const messageQueue: QueueItem[] = [];
  
  // 設置 Update Handler（類似 HTTP endpoint）
  setHandler(sendMessageUpdate, async (params) => {
    const completion = new Trigger<string>();
    messageQueue.push({ message: params.text, completion });
    return await completion; // 等待處理完成
  });
  
  // 主迴圈：串行處理訊息
  while (true) {
    await condition(() => messageQueue.length > 0);
    const item = messageQueue.shift()!;
    
    // AI 處理可能需要幾秒，但不會阻塞新訊息進隊列
    const reply = await activities.getAIReply(item.message);
    item.completion.resolve(reply);
  }
}

優勢：

• ✅ 同一 session 的訊息嚴格按順序處理
• ✅ 不會因為併發導致訊息亂序
• ✅ 新訊息可以繼續進隊列（不會丟失）

4.4 長時間運行的 Workflow（長流程）

AI 對話系統可能需要：

• 一個 session 持續數小時甚至數天
• 處理成百上千條消息
• 維護完整的對話上下文

// 企業級 Workflow 引擎支援長時間運行的流程
async function chatSessionWorkflow(sessionId: string) {
  // 這個 Workflow 可以執行幾天、幾個月
  while (true) {
    const message = await waitForMessage(); // 可以等待任意長時間
    await processMessage(message);
    
    // 當歷史事件過多時，可採用「滾動續跑」策略（例如分段重啟以控制歷史長度）
  }
}

4.5 可觀察性與調試

企業級 Workflow 引擎的觀測面通常包括：

• 每個 Workflow 的執行歷史
• 每個 Activity 的輸入輸出
• 重試次數和失敗原因
• 完整的事件時間線
• 可在生產環境重放流程以還原問題上下文
• 排查「為什麼使用者的訊息沒回覆？」
• 排查「為什麼記帳失敗了？」

5. n8n 與 Temporal 比較(補充)

實務建議：

• 需要「快速整合第三方、原型驗證」時，n8n 非常好用；也可作為外部事件入口。
• 需要「長時間、強一致、可測、可回放、可觀測」時，以 Temporal 等企業級 Workflow 引擎承載核心編排更穩妥。
• 常見混搭：n8n 做外圍輕量自動化與人機互動，核心長流程交給 Temporal；兩者以 Webhook/Queue 交會。

結語

Workflow 和 AI Agent 是互補關係，它們的結合形成了一個強大的模式，用 Workflow 組織流程，用 AI Agent 增強智慧

• Workflow：提供可靠的協調、狀態管理、錯誤處理
• 將 LLM/檢索/評估等能力封裝為 Activity，由 Workflow 統一調度
  • 將 Agent 的迴圈（計畫→執行→觀察→反思）以 Workflow 實作，可中斷/恢復/重播
• AI Agent：提供智慧決策、語義理解、動態適應
  • 透過接收外部事件（使用者輸入/人工審核），驅動 Agent 下一步
  • 以 Timeout/Retry/Backoff 控制成本與穩定性，避免 LLM 波動造成流程失控
• 使用搜尋屬性/版本演進管理 Prompt/工具版本，確保可追溯與演進

下一篇：我們將鳥瞰一個 AI 對話平台的具體架構，看看 Workflow 引擎與 AI Agents 如何在真實的對話平台中協作。