2024 年底到 2025 年初，我们团队在 Dify 平台上构建了一套内容生产 workflow：用户输入一个主题，系统按预设流程依次调用搜索、提纲生成、内容撰写、SEO 优化四个节点，最终输出一篇结构化文章。这套系统在 demo 时表现完美，但上线两周后我就知道它会失败。

Workflow 的根本问题是确定性假设：它假设每个任务都能被分解为固定的步骤序列，每个步骤的输入输出都是可预测的。但现实中的内容生产从来不是线性的——一个搜索结果可能改变整个选题方向，一段初稿的质量可能需要回退到提纲阶段重新调整。Workflow 无法处理这种动态性，除非你为每一种可能的分支都预先建模，而这会让 workflow 的复杂度指数级增长。

转折点是 Anthropic 发布 MCP（Model Context Protocol）。MCP 做了一件非常聪明的事：它不规定 Agent 应该怎么做，只标准化了 Agent 可以用什么。工具定义、资源访问、prompt 模板——所有这些都通过统一的协议暴露给模型。Agent 可以自主决定何时调用哪个工具、用什么顺序、在什么条件下回退。这从根本上解决了 workflow 的「预定义路径」问题。

我们用 MCP 重构了整个内容生产系统。原来 Dify 中的 4 个固定节点变成了 12 个 MCP 工具，Agent 可以自由组合调用。实际运行数据显示：Agent 完成一个任务平均使用 6-8 个工具调用（不是固定的 4 个），其中约 30% 的调用是 workflow 模式下根本不会发生的——比如在撰写阶段主动回去做补充搜索，或在 SEO 优化时发现需要重写某个段落。任务完成质量提升了约 40%（人工评审），而系统维护成本降低了 60%（不再需要维护复杂的分支逻辑）。

当然，Auto Agent 不是万能的。对于高度标准化、合规性要求严格的任务（比如金融报告生成），确定性 workflow 仍然是更好的选择——你需要保证每一步都可审计、可复现。我们的经验是：Workflow 适合「已知最优路径」的任务，Agent 适合「需要探索最优路径」的任务。大多数真实业务场景是两者的混合——用 workflow 保证基本流程的合规性，在关键创意节点上释放 Agent 的自主性。