Год назад вопрос "на чем автоматизировать фоновый корпоративный процесс (бот для заявок, сортировка доков, сбор отчетности)" решался выбором workflow конструктора или фреймворка. Сейчас все чаще ответ - агентный harness, тот же, на котором программируют. Часто это читают как смену поколений: agent-first приходит на место workflow-first. Стоит разобраться, замена ли это - или два разных способа автоматизировать, которые выигрывают и ломаются в разных местах.

Под workflow-first давайте понимать граф, запрограммированный заранее: даже если внутри сидят LLM-ноды, форма автоматизации задана до запуска (n8n, Airflow, Dify). Agent-first же строится на базе harness и намного гибче: вы инструктируете текстом и даете тулы, а конкретный путь выполнения агент выбирает сам.

Workflow-First  |  Agent-First

----------------|----------------

   [in]         |      [in]

    ↓           |       ↓

  (llm)         |  (agent)─►─[T]

  ┌─┴─┐         |   ↑         │

 [T] [T]        |   │         ↓

  └─┬─┘         |   [T]──◄────┘

    ✓           |       ✓?

    ↓           |       ↓

   out          |      out

----------------|----------------

 Шаг за шагом   | Цикл решений

 Жесткая схема  | Автономия

 Цена ясна      | Бюджет рандомный

 Сложно менять  | Оч просто менять

 Быстрый        | Медленный

 Не креативный  | М.б. креативным

В общем, с одной стороны агентные харнесы для автоматизации растут в популярности, c другой стороны все как будто игнорируют темную сторону такой автоматизации. Посмотрите на реддит пост "Stop building AI agents", один из топ-комментариев: "The Loom video shows the happy path, but nobody shows the 3am Slack message when the agent starts approving the wrong invoices.".

Короче, агенты проще в запуске/апдейте, но они сильно дороже и менее надежны, а workflow не гибкие - их тяжело строить и развивать.

А почему бы не объединить эти два мира? Третий способ: пусть агент пишет workflow.

Это та же кодогенерация - кодинг-агент собирает конфиг автоматизации в файлах, рядом скиллы и инструкции как такие пайплайны строить и проверять. У него есть весь инструментарий, чтобы прогнать workflow end-to-end. У меня лучше всего получается с Mastra Workflows - типизированный код, тесты, агент видит как через файлы, так и через mastra-traces + есть визуализация для эксперта (но никакого визуального программирования, только для понимания шагов).

 developer agent  expert

    │       │        │

    └───────┼────────┘

            ▼

    ┌────────────────┐

    │ workflow files │

    └───────┬────────┘

            ▼

    [ git + deploy ]

Идея простая: берем workflow-first (детерминированность, предсказуемость, трейсинг) и снимаем его главный минус - сложность апдейтов и негибкость - тем, что редактором и ревьюером этого workflow становится кодинг-агент. Агент здесь не "крутится в проде", а используется динамически: изучил, написал, проверил, проапдейтил. Но только после ревью.

Все это, в основном, про фоновую корпоративную автоматизацию - повторяющиеся процессы, которые можно формализовать, обычно с комплаенсом сверху. Там, где граф заранее не нарисовать - кодинг, ревью, debugging, computer use - лучше работают полноценные агенты + human in the loop. Это другой класс задач.

У меня все чаще складывается такой баланс: с кодинг-агентом собираю первую версию, агент "протаптывает дорожку" в интерактиве. Потом это оформляется как workflow, кодом - и деплоится как более детерминированная автоматизация с AI шагами. На масштабе получается не только надежнее, но и на порядок дешевле по стоимости токенов.

🔥 ➕ 🔁 @nobilix