RAG、Agent、Workflow 在系统设计中分别适合解决什么问题？
在AI系统设计中，RAG、Workflow、Agent 是三个绕不开的概念。面试里经常把它们放在一起问，核心就是想看你能不能说清楚：这三个东西分别解决什么问题，什么时候该用哪个。
我先帮你把这三个放在一个更大的框架里理解——AI系统架构是怎么一步步演进到今天这个样子的。
AI系统架构演进路径
最早用LLM，就是给它一个输入，它直接给你输出。简单粗暴，但问题也很明显：模型知识有截止日期，实时信息它不知道，也没有调用外部工具的能力。
为了解决这个问题，架构就开始往外扩。RAG 给模型接了一个知识库，让它能查实时信息。Workflow 把固定业务流程程序化，减少幻觉。Agent 在这个基础上更进一步，让系统能自主做决策、调用工具、组装各种能力。
这个演进不是谁替代谁，而是层层叠加、组合使用。你完全可以同时用RAG又用Workflow，Agent也能调度RAG和Workflow。
Workflow：固定流程自动化的流水线工人
Workflow 本质是什么？把人类能描述清楚的固定流程，用代码程序化执行。
举个例子。客服场景里，用户说“想退换货”，Workflow会怎么走？先识别关键词“退换货”，识别用户意图是“售後处理”，然后路由到对应的处理流程。这套流程是固定的、可预测的、不会变的。
它的核心能力就两个：关键词提取 + 意图识别。路由到哪个节点是确定的，输出结果是可预期的。
为什么说它像流水线工人？因为它干活很稳，效率高，但灵活性差。你让它做流程里没定义的事，它就歇菜了。
适用场景就三类：关键词提取、意图路由、固定流程执行。比如把PDF里的结构化信息抽出来、识别用户问的是产品功能还是价格问题、按照SOP走完一个审批流程。
它的优势是稳定、可测试、出问题好排查。劣势就是太死板，流程变了就得改代码。
RAG：解决模型“知识过期”问题的外接大脑
RAG 解决的核心问题是：模型不知道最新、最私密的那些东西。
模型训练有截止日期吧？企业的内部知识库是模型没见过吧？最新的财报、政策文件是模型不知道的吧？这些问题，RAG 能帮你解决。
它的思路很直接：问答的时候，先去知识库检索相关证据，再让模型基于证据生成回答。
完整的RAG流程是这样的：用户输入 → 查询改写 → 知识库检索 → 结果排序 → 送入LLM生成。听起来简单，但实际工程里真正的难点是知识管理，不是检索技术。知识怎么切分、怎么更新、怎么保证质量，这些没做好，检索出来的就是垃圾。
RAG 适合的场景：有明确知识库、需要精准回答事实性问题、答案必须“有所依据”。比如企业内部知识库问答、产品文档查询、法律条文检索。
Agent：具备感知-规划-行动三要素的智能体
Agent 这个概念这两年被炒得很热，但核心没变：让系统具备一定程度的自主决策能力。
它有三个关键能力：感知环境、规划行动、执行反馈。听起来高大上，说人话就是——它能自己判断该干什么、拆解成步骤、调用工具、看到结果再调整。
比如你说“帮我安排下周三去上海的行程”。Agent会怎么做？先感知到这是个旅行规划任务，然后规划出订机票、订酒店、安排日程这些子任务，逐一调用工具执行，看到结果后反馈给你。
它能组装Workflow、调度RAG，所以在AI系统里是最上层的协调者。
但Agent有个工程上的大问题：稳定性。你让它自主决策，它每次决策结果可能不一样。怎么保证它不“放飞自我”？怎么设计边界让它不乱来？ReAct架构是主流方案，但工程落地还是有挑战。
适用场景：复杂任务分解、多工具协作、需要一定灵活性的决策。比如智能助手、自动化测试编排、复杂数据分析流水线。
三者到底怎么选？
直接给结论：
| 场景 | 选哪个 |
|---|---|
| 流程固定、可描述、不变 | Workflow |
| 有知识库、需要精准回答 | RAG |
| 任务复杂、需要自主决策 | Agent |
| 流程固定 + 需要知识检索 | Workflow + RAG |
| 需要灵活调度以上所有 | Agent + 其他 |
核心矛盾就一个：稳定性 vs 灵活性。越稳定的东西越死板，越灵活的东西越难控制。Workflow最稳但最死，Agent最灵活但最难管。
有个现实矛盾你得知道：老板觉得Workflow不够高级，研发不喜欢维护复杂工作流。技术选型不能只看概念酷不酷，得看团队能不能hold住。
还有个大趋势：Agentic RAG。说白了就是人设计好边界和规则，模型在边界内自主调度RAG和Workflow。这是个平衡方向——既给AI一定灵活性，又不至于失控。
面试怎么答
直接背这个：
RAG、Workflow、Agent 分别解决不同层面的问题。Workflow 解决可预测、可重复任务的自动化，核心是关键词提取和意图识别，适合固定流程。RAG 解决动态知识获取问题，通过检索+生成让模型能回答实时或私域知识相关的问题。Agent 解决复杂任务的自主决策问题，具备感知-规划-行动能力，能调度其他组件。从稳定性看，Workflow最高、Agent最低，实际系统里往往是组合使用。
想加分就加这段：
这三个不是替代关系，而是递进组合的。架构上是从纯LLM逐步演进来的。Agent有个工程挑战是ReAct的稳定性，需要设计好边界防止失控。另外现在有个趋势是Agentic RAG，在人设计的规则边界内让模型自主调度检索和执行。
一句话总结
Workflow管固定流程、RAG管知识检索、Agent管自主决策，三者组合使用，核心是在稳定性和灵活性之间找平衡。