Agent 还是 Workflow？其实80%的agent需求可以用Workflow搞定

ZILLIZ 2025-07-22

174

前段时间，Decoding ML 推出了一篇文章《Stop Building AI Agents》，引起了不小争议。

文章中，围绕Agent，作者提了一个观点：Agent很好，有很强的通用性，但问题是，现阶段的大模型还不能真正理解我们所下达任务的真正需求。

作者用CrewAI 做了一个multi agent，然后发现：

负责研究的agent 70% 的时间都忽略了网络爬虫
负责摘要汇总的agent在处理长文档时完全忘记使用引文
当任务定义不明确时，负责协调调度的agent会干脆摆烂

于是，决策权直接让渡给大模型之后，算力消耗更多不说，最终执行也直接像多米诺骨牌一样，连环崩塌。

与之相对，提示词链 (Prompt Chaining)、任务并行(Parallelization)、路由(Routing)、总控-执行 (Orchestrator‑Worker)、评估-优化器(Evaluator‑Optimizer)，这几种路径其实已经可以解决九成的用户需求。

因为，Workflow 是确定性的，执行路径是线性的、可预测的，而我们现实中的大部分需求，其实也正好满足这个特性。

举个例子，内容创作者如今在一系列AI爆火工具间频繁切换：ChatGPT头脑风暴、Midjourney生成插图、Claude或文心一言润色文案、HeyGen生成视频、Canva排版、Notion协作、各平台AI助手自动发布。

工具虽强，但每次切换都易打断思路，降低生产效率。平均每天切换十余款AI应用，上百次界面跳转，专注力和创作流畅性持续受损。

但要把这些功能做成一个agent，似乎又过于杀鸡用牛刀，而且最终成果可用度太低。

那有没有办法，把选题、创作、编辑、发布全流程集成到一个工作流？

Vibe Workflow，就是为此而生。

01 什么是Vibe Workflow？如何构成

传统的工作流就像工厂流水线：A步骤完成后，必须按顺序进行B步骤，再进行C步骤。这种线性思维在工业时代很有效，但在创意工作中却成了枷锁。

Vibe Workflow的核心理念是"情境化工作"，让工具适应人的思维方式。

在本文中，我们将展示用Refly和Milvus搭建一个用于内容创意执行的Vibe Workflow。

先简单介绍一下Refly：这是一个基于"自由画布"理念构建的AI原生内容创作平台。其功能模块可以分为智能画布、知识管理、多线程对话、专业创作。在这个平台上，我们可以用拖拉拽的方式。将各种工具进行组合，构成workflow。

其工作模式与效果如下：

核心功能：

此外，所有的内容创作，尤其是文章写作，本质就是对历史数据、历史内容的汇总再加工，而要做好这件事，一个重要环节是对历史数据的整理与检索，Milvus向量数据库在其中发挥了重要的作用。

具体来说，传统数据库存储的是结构化数据：姓名、年龄、地址这些。但AI时代的数据大多是非结构化的：文档、图片、音频、视频。向量数据库的作用，就是把这些非结构化数据转换成计算机能理解的"向量"（一串数字），然后通过数学方法找到它们之间的相似性。

这个过程中，Milvus的技术优势：不只是快，更是智能

毫秒级检索：在千万级数据中，检索时间控制在毫秒级
混合查询：既能按语义相似性搜索，也能按传统条件筛选
云原生架构：存储和计算分离，可以无限扩展
MCP协议支持：与主流AI框架无缝集成

以下是具体部署过程：

02 开始部署

本节将以实操视角，带大家完成 Refly 、Milvus及 Milvus-MCP 本地部署，并通过示例演示其在实际AI工作流中的应用价值。

环境准备要求

本教程不含Python3、Conda以安装展示，请自行按照官方手册进行配置。相关官网链接：

Milvus官网：https://milvus.io/docs/prerequisite-docker.md
Refly官网：https://docs.refly.ai/zh/
Python3官网：https://www.python.org/
Docker官网：https://www.docker.com/
moonshot官网：https://platform.moonshot.cn/

最低配置

CPU：8核（推荐16核）
内存：16GB（推荐32GB）
硬盘：100GB SSD（推荐500GB）
网络：稳定的互联网连接

软件环境

操作系统：Linux（推荐Ubuntu 20.04+）
容器：Docker + Docker Compose
Python：3.11+
大模型：支持函数调用的模型（在线或Ollama离线都支持）

1. 第一步：部署Milvus向量数据库

1.1 下载部署文件


wget https://github.com/milvus-io/milvus/releases/download/v2.5.12/milvus-standalone-docker-compose.yml -O docker-compose.yml

1.2 启动Milvus服务


docker-compose up -d
docker-compose ps -a

2. 第二步：部署Refly平台

2.1 下载项目

说明：env变量里的配置无特殊要求全默认即可


git clone https://github.com/refly-ai/refly.git


cd deploy/docker
cp ../../apps/api/.env.example .env # copy the example api env file
docker compose up -d

2.2 检查服务状态


docker ps -a

3. 第三步：部署MCP服务

3.1 下载项目


git clone https://github.com/zilliztech/mcp-server-milvus.git
cd mcp-server-milvus

3.2 启动mcp服务

说明：本文使用sse模式，uri请自行更换可用的milvus服务


uv run src/mcp_server_milvus/server.py --sse --milvus-uri http://localhost:19530 --port 8000

3.3 验证mcp服务

4.开始配置

4.1 访问refly平台


http://192.168.7.148:5700

4.2 注册账户并登录平台

4.3 配置LLM模型

说明：本文使用最近比较火的Moonshot提供在线模型（免费15元额度）

登录注册并获取API-KEY（备用）

https://platform.moonshot.cn/

4.4 添加模型供应商

说明：把刚才获取的API-KEY输入

4.5 添加LLM模型

说明：注意选择的模型要带有函数调用功能

4.6 添加milvus-mcp服务

说明：web版不支持stdio类型

4.7 使用案例一：通过 MCP-Milvus-Server 实现高效向量检索

本案例展示如何利用 MCP-Milvus-Server 作为中间件，查询和管理 Milvus 向量数据库实例，实现模型与数据库的无缝对接。

4.7.1 新建画布

4.7.2 打开对话框选择模型并输入问题并发送

4.7.3 验证结果

通过上述实践，我们已经成功实现了基于 MCP-Milvus-Server用自然语言的方式去管理milvus向量数据库了。

4.8 使用案例二：通过workflow创建refly部署手册

完整的workflow效果如下：

4.8.1 准备写作素材

说明：refly支持不同形式的资源导入

4.8.2 新建任务并关联资料卡片

4.8.3 新建三个任务整理素材

说明：整合上传的素材并进行打磨

整合任务

打磨任务

合并终稿

效果展示（部分展示）

当然refly的能力远不止此，最近发布了0.80版本解锁多模态Agent“图像+视频+音频”，让创作维度与工作闭环。

图片生成与处理

支持接入高质量图像模型（如 flux-schnell flux-pro SDXL）
支持 Prompt → 图像 → 分析 →再生成的完整流程编排

视频生成与理解

支持接入多种风格化视频模型（如 Seedance、Kling、Veo）

音频生成

支持接入音乐生成模型（如 lyria-2
），快速生成专属背景音乐
支持语音合成模型（如 chatterbox
），实现自然流畅的 AI 配音与多语旁白

多模态编排闭环

图像视频 / 音频节点全部可拖入工作流
每一份多模态输出结果都可被引用、理解、再加工

写在最后

Refly 以 Agent Workflow 为核心，将多模态处理与智能写作深度融合，极大简化了内容创作流程。用户只需用自然语言描述需求，系统便能自动编排文本生成、结构规划、图片插入等多项能力，实现从灵感到成稿的全流程自动化。

通过集成 Milvus MCP Server 或 Milvus 向量数据库，Refly 还能高效调用本地知识库，实现内容检索、素材聚合和智能引用，确保写作既有深度也有广度。

这其实也是当下大模型落地的一个缩影，瞄准agent的星辰大海，但先用workflow先解决眼下的问题。

作者介绍

Zilliz 黄金写手：尹珉