企业官网建设流程全解析

本文收录于专栏《AI Agent原理与实战》2026版—— 专栏系统覆盖 AI Agent 的记忆、工具、插件与实战，点击订阅可跟踪后续更新。

本课定位：前三课搭好了概念地基，现在回答一个工程上最贵的问题：这个需求到底该不该上 Agent？本课把第 1 课的判定框架升级成决策工具：分界线判据、复杂度阶梯、成本模型。答错这一题，后面 28 课的努力方向都会错。

阶段 1｜概念与基础 ｜ 来源：【微软课程·1 延伸 + Anthropic】 ｜ 知识更新至 2026-10

关键字：Agent选型、决策框架、工作流与智能体分界、复杂度阶梯、成本模型、Agent适用场景、技术决策、自动化判断

本节目录

• 4.1 分界线：流程可预定义 vs 需要动态决策
• 4.2 复杂度阶梯：从单次调用到自主 Agent
• 4.3 成本模型：延迟、token、错误恢复
• 4.4 与第 1 课框架的衔接

概念讲解

4.1 分界线：流程可预定义 vs 需要动态决策

微软第 1 课的提醒是本节的第一原则：“Just because youcanuse an AI Agent doesn’t mean you alwaysshould”——能用不代表该用。落到工程上就是下面这条分界线。

一条最重要的分界线，值得单独成节：

如果你能画出这个任务的完整流程图（含所有分支），它就不需要 Agent——用代码把流程写死（workflow）。只有当"下一步做什么"必须依赖执行中间结果才能决定时，Agent 才有不可替代性。

两种情况的判别问题：

1. “这个任务会不会出现开发者没预料到的路径？”——不会 → workflow；会且频繁 → 考虑 Agent。
2. “分支条件是人能事先写清楚的规则，还是需要读一段文本/看一个结果才能判断？”——规则能写清 → workflow；要理解语义 → 模型上场。

注意中间态大量存在：workflow 里嵌一次模型调用做语义判断（如工单分类后走不同固定流程），这是"routing 模式"（第 9 课），它仍是 workflow——不要因为"用了 LLM"就叫 Agent、就上自主循环。命名混乱是这一行最大的预算黑洞。

4.2 复杂度阶梯：从单次调用到自主 Agent

把解决方案按复杂度排成阶梯，选型时从下往上，够用即停：

L0-L5 的共同点：结构由代码预先定义，模型只填内容。L6 的结构本身交给模型。每上一级：

• 灵活性 +，可预测性 −，测试难度 +，成本 +（详见 4.3）
• 错误传播面变大：L6 一步错可能带偏后续全部步骤

一个选型经验（本课程归纳，非统计数字）：多数生产场景的"Agent 需求"在 L2-L5 就能解决——Anthropic 的工程建议同向：能用简单组合就不上自主系统。L6 留给两类任务：路径空间真的开放（深度研究、探索性数据分析），或价值密度高到值得为成功率多烧一个数量级的 token（自动化编码、复杂运营决策）。

4.3 成本模型：延迟、token、错误恢复

上 Agent 前先算三笔账：

① 延迟账。Agent 是串行循环：N 次工具往返 ≈ N × (模型推理时延 + 工具执行时延)。单轮推理 2-10 秒的话，10 步任务半分钟起步；用户能接受吗？对比：L2 链式同样串行但步数固定；L4 并行可压延迟。

② token 账（第 2 课的 O(N²) 增长在这里兑现）：

累计输入 token ≈ Σ(第 k 轮历史长度) ≈ 平均单轮增量 × 轮数²/2

再加工具结果的不可控性：一次网页抓取返回 30k token，两轮就吃掉一个 128k 窗口的一大半。预算必须按最坏路径估算，不能按平均。

③ 错误恢复账。workflow 出错：定位到节点，重跑该节点，代价可控。Agent 出错：错误藏在轨迹里，可能第 3 步的误判在第 9 步才显形，重跑代价是整条轨迹。工程上要为 L6 配套：检查点（可从中间状态恢复）、评估器（每步或收尾校验）、护栏（最大迭代/预算/人工确认）——这些配套的开发成本常被低估，往往超过 Agent 本体。

三笔账合成一张决策速查表：

4.4 与第 1 课框架的衔接

第 1 课的三维度（复杂度/容错/成本）回答"值不值得"，本课阶梯回答"做到哪一级"。合起来构成完整决策流：三维度过滤 → 阶梯定位 → 三笔账验证 → 写下判定依据（含护栏清单）。护栏设计（哪些动作必须人工确认）在第 25 课展开；token 预算的实操账本在第 13/26 课。

案例实战：三个典型业务场景的判定

目标：用决策框架走完三个典型业务场景（示意：场景为构造的典型需求，判定逻辑可迁移到真实项目），产出"用/不用 Agent"的判定书。三个场景覆盖"明显不用 / 中间态 / 明显用"三种结论。

场景 A：发票信息抽取（财务共享中心，日均 2 万张）

• 任务：从发票图片/PDF 抽取 20 个结构化字段入库。
• 阶梯定位：字段清单固定、无中间依赖 →L0-L1（VLM 抽取 + 规则校验）。
• 三笔账：日均 2 万次 × Agent 化后每张 5 次往返 = 10 万次模型调用/天，纯烧钱无收益；workflow 单次调用 + OCR 兜底重试，错误可按张隔离。
• 判定：不用 Agent。这是"高频+固定结构"的典型，Agent 化只会放大成本与延迟。抽取不确定的字段用置信度分级送人工复核即可。

场景 B：客服工单处理（SaaS 公司，日均 3000 单）

• 任务：读工单 → 判断类型（退款/bug/咨询）→ 执行对应流程（退款要查订单、核资格、走审批；bug 要建 issue、问复现步骤）。
• 阶梯定位：类型集合可枚举，但每类的后续步骤里有语义判断点（“用户描述算不算 7 天无理由”）。
• 结构选择：L3 路由 + 每支路 L2-L4 混合。分类用一次模型调用；支路内固定流程；语义判断点嵌单次模型调用。
• 护栏：退款类动作（真金白银）加人工确认闸门（第 25 课模式）。
• 判定：不用自主 Agent，用带工具调用的 workflow。判定依据：路径 90% 可枚举；剩余 10% 的开放分支转人工的成本，远低于为它引入自主循环的稳定性代价。

场景 C：竞品动态监控周报（战略团队，每周 1 次）

• 任务：追踪 12 家竞品的博客/发版/融资动态，归纳本周变化，产出带引用的分析报告。
• 阶梯定位：信源半固定，但**"本周有什么值得写的"依赖对内容的理解**；报告结构也要随内容变化。
• 结构选择：L5-L6 混合。固定部分（抓取 12 个信源）用定时 workflow；分析部分（归纳主题、决定深挖谁、组织报告）用自主 Agent，配 max_iters 与 token 预算护栏。
• 三笔账：每周 1 次，单次几万 token 相对人力成本（分析师一天）忽略不计；延迟不敏感（后台跑）。
• 判定：分析段用 Agent，抓取段不用。这是"低频+高价值+路径开放"的正面案例。同型产品即各家"深度研究"功能。

输出模板（三个场景共用，可直接复用到你的项目）：

## Agent 选型判定书（模板） - 场景与频次： - 任务步骤可枚举程度：____%（可画流程图的部分） - 语义判断点位置： - 阶梯定位：L_，结构： - 三笔账：延迟____s / 单次 token____ / 错误恢复代价____ - 护栏：max_iters=____，预算=____，人工确认=____ - 判定结论与一句理由：

预期输出：三份判定书。注意场景 B 的教训："用了 LLM/工具调用"与"需要自主 Agent"是两回事——这也是本课最常被违反的一条。

小结

• 分界线：流程图画得出来就写代码（workflow），"下一步"依赖语义理解才上 Agent。
• 六级阶梯从下往上选，够用即停；生产中大部分需求停在 L2-L5。
• 三笔账（延迟 O(N)、token O(N²)、错误恢复连带全轨迹）要在立项前算，按最坏路径估。
• "带 LLM 判断的 workflow"≠ Agent——命名混乱会造成预算黑洞。
• 判定要留痕：判定书 + 护栏清单进设计文档，举证责任在建设方。

交叉引用：三维度初版见第 1 课；阶梯中 L2-L5 的五种 workflow 模式实现见第 9 课；护栏与人工闸门见第 25 课；token 账本实操见第 13 课。

扩展阅读

🌐 网络提示：github.com 需代理（clone 可走 ghproxy 加速、push 优先 SSH）；anthropic.com 需代理（核心结论已摘进本课正文）。详见总纲附录《国内网络访问与国产适配指南》。

• Anthropic《Building Effective Agents》"When to use agents"一节：https://www.anthropic.com/engineering/building-effective-agents
• 微软 AI Agents for Beginners 第 1 课"哪些任务适合 Agent"：https://github.com/microsoft/ai-agents-for-beginners/tree/main/01-intro-to-ai-agents

我的专栏