# 为什么 Open Flow 不做 Dify / Coze 式 Agent Builder

Source: https://openflow.run/zh-cn/blog/why-not-agent-builder/
Language: zh-CN

第一次看到 Open Flow 画布的用户，经常会问它和 Dify、Coze 有什么区别，以及能不能在画布上拖几个节点就搭出一个自主运行的通用 Agent。

Open Flow 支持在流程里调用大模型和受控的智能体节点，也支持外部 Agent 直接读写和编排流程，但我们刻意没有把工作流画布做成 Dify、Coze 式的 Agent Builder。

**自主 Agent 应该运行在专门的 Agent Harness 里，可重复的业务自动化应该沉淀在确定性工作流引擎里。** 用通用工作流画布连线拼出来的“自主 Agent”能做出像样的演示，却经不起生产环境的考验。过去两年，Anthropic、OpenAI 与一线 Agent 团队公开的工程实践，已经把背后的原因拆解得很清楚。

## 画布拼出来的 Agent，为什么停留在玩具阶段

市面上的 Agent Builder 思路高度一致。它们通常在画布上放一个大模型节点，挂上知识库和插件工具，再写一段系统提示词，就交付一个看似能自主规划和调用工具的智能体。

只要把这套东西放进跨系统排查故障、连续十几次工具调用或长周期异常处理的真实业务里，几个问题会同时出现：

*   **上下文退化（Context Rot）**：工具返回的网页、日志和 JSON 不断累积，画布节点之间简单拼接的历史消息迅速膨胀，模型开始遗漏约束并偏离目标。
*   **碰不到关键的底层原语**：决定长程任务成功率的 KV-Cache 复用、文件系统持久化、错误现场保留和上下文重置，在低代码连线层全部被屏蔽了。
*   **无法用工程手段排障**：任务跑偏时，开发者找不到清晰的状态机、代码堆栈和沙箱日志，只能在一层层封装后的提示词模板里反复试错。

**自主 Agent 的能力上限由模型与运行外壳（Harness）共同决定，画布只是套在最外层的浅层包装。**

## Agent = Model + Harness：正经 Agent 的技术路线

OpenAI 在 2026 年 2 月发表的工程文章 [Harness engineering: leveraging Codex in an agent-first world](https://openai.com/index/harness-engineering) 中，提出过 **Agent = Model + Harness** 这个公式。

模型负责计算与推理，**Harness** 才是围绕在模型之外的整套运行系统，包括沙箱、工具原语、上下文管理、持久化状态、权限控制以及自动化验证闭环。OpenAI 团队在几乎不手写应用代码的情况下，用 Codex 构建并上线了约百万行代码的内部系统，主要精力全花在了这套 Harness 上。

放到今天的生产环境里，真正能跑起来的 Agent Harness 主要有两条技术路线：

*   **模型厂商的原生 Harness**：无论是 OpenAI 的 Codex，还是 Anthropic 的 Claude Code 与 Claude Agent SDK，前沿模型在后训练和强化学习阶段就已经在自家的原生工具集（终端、文件读写、代码检索等）和反馈节奏里联合优化过。Anthropic 在 [Effective harnesses for long-running agents](https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents) 和 [Harness design for long-running application development](https://www.anthropic.com/engineering/harness-design-long-running-apps) 中披露的修补手段也紧贴具体模型世代，例如针对上下文焦虑（Context Anxiety）的清空历史与磁盘状态交接机制，以及拆分独立 Evaluator 角色来纠正模型对自身输出的宽容评分。Anthropic 在 [Building effective agents](https://www.anthropic.com/engineering/building-effective-agents) 中还明确指出，生产实践中表现最好的实现大多没有采用重型第三方框架，而是用简单、可组合的原语直接对接模型。
*   **面向真实业务与团队的专用 Agent Harness**：要把自主 Agent 变成团队日常可托付的协作者，同样离不开聊天窗口之下的整套 Harness 工程，包括隔离的持久化沙箱、CLI 与脚本执行能力、可复用的 Skills 体系、浏览器操作，以及面向组织成员和群组的凭据与权限治理。这些运行时原语都无法靠低代码画布连线表达。

可视化 Agent Builder 两头都不占。为了用低代码节点兼容所有厂商的模型，它只能按所有模型的最小交集设计抽象，既没有模型厂商训练期的交互耦合，又把专用 Agent Harness 赖以成立的沙箱、文件系统和底层运行时控制全部藏了起来。这不是换一套画布交互就能补上的差距。

## 工程实践中的两道门槛

就算不谈模型训练期的原生耦合，用工作流画布做通用自主 Agent 还有两道工程门槛绕不开。

**1\. 决定可用性的上下文工程，画布无法表达**

Manus 团队在 [Context Engineering for AI Agents: Lessons from Building Manus](https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus) 中总结过长程 Agent 的几项关键经验：

*   **围绕 KV-Cache 命中率组织上下文**：系统提示词前缀必须严格固定，历史记录只追加不修改；需要动态禁用部分工具时，通过 **Logit Masking** 控制动作空间，而不是增删工具定义导致缓存失效。
*   **用虚拟机文件系统承担长期记忆**：抓取的网页、长文档和命令输出全部落盘，只在上下文里保留路径和摘要，按需读取。
*   **保留原始报错轨迹**：不在外层吞掉异常，让模型直接看到错误堆栈，通过上下文调整后续动作。

在可视化 Agent Builder 里，用户能调的通常只有提示词文本、插件勾选、最大步数和记忆轮数。真正决定成本、延迟和任务完成率的控制手段，画布上根本找不到入口。

**2\. 模型每次升级，都在清空画布上的手工逻辑**

Rich Sutton 在 [The Bitter Lesson](http://www.incompleteideas.net/IncIdeas/BitterLesson.html) 中指出的规律在这里同样成立。开发者围绕当前模型短板在系统外围堆砌的启发式规则、路由分支和限制条件，都会在下一代模型发布时失去价值。

团队花几周在画布上搭出几十个节点的“多 Agent 协作图”去弥补当前模型规划或容错能力的不足，几个月后往往会被新模型配合极简 Harness 循环直接替代，画布里写死的节点约束反而会限制更强模型的发挥。

## 工作流与 Agent 属于两套架构

不少团队用 Dify 或 Coze 搭出来的客服分类、信息抽取和内容分发流程，在日常业务里确实能持续跑通。这里混了两个完全不同的概念。**真正能在生产环境长期运行的，其实是确定性工作流（Workflow），和自主 Agent 是两回事。**

Anthropic 在 [Building effective agents](https://www.anthropic.com/engineering/building-effective-agents) 里区分了这两种模式：

*   **Workflow（工作流）**：执行路径由代码或流程图事先确定，模型只在其中某个明确节点里完成分类、抽取、摘要或判断。何时触发、走哪条分支、调哪个接口、出错如何重试，全部确定。
*   **Agent（智能体）**：由模型在运行时自行决定下一步操作、工具选择和循环次数，直到它判断任务结束。

用画布搭出来的“Agent”之所以能上线运行，往往是因为开发者在调试中把分支条件和调用顺序一步步写死了。它本来就是一条工作流，只是套用了 Agent 的名字。一旦真正放开节点让模型自主循环，它立刻失去可预测性，也无法通过生产环境的审计。

也正因为这两套架构截然不同，我们把自主 Agent 和工作流拆成了两个独立产品。做自主 Agent 时，我们沿着 Agent Harness 路线独立做了 [Leina](https://leina.ai/zh-cn/)，提供持久化沙箱、CLI 与脚本执行、Skills 与团队权限治理；**Open Flow** 则专注确定性工作流引擎。当 Leina 里的任务需要沉淀为定时、可审计的重复流程时，[Leina 工作流](https://leina.ai/zh-cn/workflows/)底层运行的就是 Open Flow。

**可视化编排擅长把确定的流程表达清楚，开放式自主执行则应该交给专门的 Agent Harness。**

## 为什么确定性工作流引擎有独立壁垒

模型厂商也在陆续推出自己的工作流和连接器功能，但它们吃不掉专业的工作流基础设施。**Agent Harness 和确定性工作流的技术壁垒完全不在一个维度上。**

在原生编程 Harness 领域，模型厂商握有训练期联合优化的不对称优势。到了确定性工作流领域，Cron 调度、Webhook 队列、条件分支、人工审批、OAuth 凭据管理和长尾应用适配，跟模型权重和强化学习没有任何关系。模型厂商下场写工作流引擎，面对的是完全相同的工程复杂度，没有任何先验技术红利。

即便模型厂商把工作流做成自家的附属能力，也会受到三个结构性束缚：

*   **模型绑定与模型中立的冲突**：OpenAI 做的流程服务于自家模型，Anthropic 的工具链围绕 Claude 构建。真实业务里经常需要按节点性价比混用不同模型，或者接入内网私有模型，企业也不会愿意把核心业务流锁死在单一模型厂商身上。Open Flow 允许自由配置任意模型服务地址和 OpenAI 兼容接口。
*   **闭源云端托管与数据主权的冲突**：模型厂商的商业模式依赖云端 Token 与托管平台，执行日志、业务凭据和运行环境必须留在它们的云上。大量涉及内网数据库、财务系统和合规审计的流程无法接受这种托管方式。Open Flow 开源且支持 Docker 自部署，工作流文件本身是开放的工程产物，可以直接纳入 Git 管理。
*   **附属功能与核心主业的冲突**：对模型实验室而言，工作流和连接器始终只是提升模型留存的辅助模块，研发优先级永远排在训练下一代模型和打磨原生 Agent 之后。它们很难投入持续精力去维护 1,700+ 长尾应用、20,000+ 具体操作和精细的版本冲突检查，更不可能把编排接口做成同时兼容 Claude Code、Codex 与 Leina 等各类 Agent Harness 的公共底座。

模型和 Harness 变强，会淘汰用来修补模型短板的画布框架，同时让开放的确定性执行底座更有价值。Agent Harness 越聪明，它通过标准协议去编排和调用工作流引擎的回报就越大。

## Open Flow 的选择：为各类 Agent Harness 提供确定性执行底座

Open Flow 专注确定性工作流与外部系统连接，把编排和执行接口直接开放给真正的 Agent Harness。

| 维度 | Open Flow 的选择 | 通用 Agent Builder 路线（Dify / Coze 等） |
| --- | --- | --- |
| 核心定位 | **确定性工作流引擎 + Agent Harness 的外部工具底座** | 在可视化画布上拼装通用自主 Agent |
| 自主智能归属 | **交给专门的 Agent Harness**（Claude Code、Codex 等原生 Harness，或 Leina 等团队 Harness） | 在低代码工作流画布内部重造通用 Agent 循环 |
| 画布里的 AI 角色 | **确定步骤里的受控能力**：LLM 节点、JEV 决策节点，以及严格受限的 Agent 节点 | 由模型接管整张图的控制权，可控性与可调试性较弱 |
| 外部系统治理 | **1,700+ 应用与 20,000+ 工具**，统一账号凭据、人工审批与版本回滚 | 侧重对话内插件调用，工程治理与审计能力有限 |
| 与 Agent 的协作方式 | **面向 Agent 读写优化**：提供 CLI 与 MCP，让各类 Agent Harness 直接创建、检查和修改流程 | 依赖人在网页画布里手工编排流程 |

具体到产品设计上，Open Flow 只做三件事：

1.  **保持流程确定、可审计** 定时触发（Cron）、Webhook、轮询、条件分支、循环、错误处理与人工审批（[Approval](https://openflow.run/zh-cn/docs/nodes/approval/index.md)），生产级自动化依赖的是**可预期、可追踪、能回滚**。AI 在 Open Flow 中只承担范围明确的任务。你可以用 [AI 决策节点](https://openflow.run/zh-cn/docs/nodes/decision/index.md) 在单次调用里输出分类、判断与评分，也可以在明确限定最大轮数、声明工具集、固定参数和审批策略的前提下使用 [AI 智能体节点](https://openflow.run/zh-cn/docs/nodes/agent/index.md)。它是确定性流水线上的一个受控工位，而不是脱离流程约束的自由运行时。
    
2.  **把外部系统连接做成统一的执行层** 再强的 Agent Harness，落到业务里依然要面对 OAuth 凭据管理、内部审批、跨系统数据同步、计量计费和定时调度。Open Flow 接入了 **1,700+ 应用与服务、20,000+ 现成工具**（见[应用与工具目录](https://console.openflow.run/connections)），把鉴权、排队、隔离和故障恢复留在服务端解决。
    
3.  **通过 CLI 与 MCP，让各类 Agent Harness 直接编排和调用 Open Flow** 与其让人在网页画布里替模型编排思维链，不如**把工作流本身做成 Agent Harness 能直接读写的结构化工程**。Open Flow 通过 [CLI（`oo flow`）](https://github.com/oomol-lab/oo-cli) 与 MCP 提供[节点查询、局部编辑、原子提交、修订冲突检查和校验能力](https://openflow.run/zh-cn/docs/guides/agent-authoring/index.md)。开发者可以直接让 Claude Code 或 Codex 读取现有流程、增改节点、完成校验并发布，团队也可以在 [Leina](https://leina.ai/zh-cn/) 的日常对话里触发和运行确定性流程。开放式推理留在 Agent Harness 里，高频或涉及外部副作用的操作沉淀为确定的工作流。
    

模型和 Agent Harness 会不断迭代，业务系统之间的连接、权限管控与确定性执行则是长期不变的需求。让专门的 Agent Harness（无论是模型厂商的原生 Harness，还是我们自己的 [Leina](https://leina.ai/zh-cn/)）负责自主推理，让 Open Flow 专注确定性执行与外部连接，这就是我们不做 Dify / Coze 式 Agent Builder 的原因。

如果你需要一个面向工程协作的确定性工作流引擎，可以[打开 Open Flow 工作台](https://console.openflow.run/flows)，或先阅读[用 AI 助手编排工作流指南](https://openflow.run/zh-cn/docs/guides/agent-authoring/index.md)。

OOMOL·2026年11月18日
