第一次看到 Open Flow 畫布的使用者,常會問它和 Dify、Coze 有什麼差別,以及能不能在畫布上拖幾個節點就搭出一個自主執行的通用 Agent。

Open Flow 支援在流程裡呼叫大型語言模型與受控的智能體節點,也支援外部 Agent 直接讀寫和編排流程,但我們刻意沒有把工作流程畫布做成 Dify、Coze 式的 Agent Builder。

自主 Agent 應該執行在專屬的 Agent Harness 裡,可重複的業務自動化應該沉澱在確定性工作流程引擎裡。 用通用工作流程畫布連線拼出來的「自主 Agent」能做出像樣的展示,卻經不起生產環境的考驗。過去兩年,Anthropic、OpenAI 與一線 Agent 團隊公開的工程實踐,已經把背後的原因拆解得很清楚。

畫布拼出來的 Agent,為什麼停留在玩具階段

市面上的 Agent Builder 思路高度一致。它們通常在畫布上放一個大模型節點,掛上知識庫和外掛工具,寫一段系統提示詞,就交付一個看似能自主規劃並呼叫工具的智能體。

只要把這套東西放進跨系統排查故障、連續十幾次工具呼叫或長週期異常處理的真實業務裡,幾個問題會同時出現:

  • 上下文退化(Context Rot):工具回傳的網頁、日誌與 JSON 不斷累積,畫布節點之間簡單拼接的歷史訊息迅速膨脹,模型開始遺漏約束並偏離目標。
  • 碰不到關鍵的底層原語:決定長程任務成功率的 KV-Cache 重複利用、檔案系統持久化、錯誤現場保留與上下文重置,在低程式碼連線層全部被屏蔽了。
  • 無法用工程手段排障:任務跑偏時,開發者找不到清晰的狀態機、程式碼堆疊與沙盒日誌,只能在一層層封裝後的提示詞範本裡反覆嘗試。

自主 Agent 的能力上限由模型與執行外殼(Harness)共同決定,畫布只是套在最外層的淺層包裝。

Agent = Model + Harness:正統 Agent 的技術路線

OpenAI 在 2026 年 2 月發表的工程文章 Harness engineering: leveraging Codex in an agent-first world 中,提出過 Agent = Model + Harness 這個公式。

模型負責計算與推理,Harness 才是圍繞在模型之外的整套執行系統,包括沙盒、工具原語、上下文管理、持久化狀態、權限控制以及自動化驗證閉環。OpenAI 團隊在幾乎不手寫應用程式碼的情況下,用 Codex 建構並上線了約百萬行程式碼的內部系統,主要精力全花在這套 Harness 上。

放到今天的生產環境裡,真正能跑起來的 Agent Harness 主要有兩條技術路線:

  • 模型廠商的原生 Harness:無論是 OpenAI 的 Codex,還是 Anthropic 的 Claude Code 與 Claude Agent SDK,前沿模型在後訓練和強化學習階段就已經在自家的原生工具組(終端機、檔案讀寫、程式碼檢索等)和回饋節奏裡聯合最佳化過。Anthropic 在 Effective harnesses for long-running agents 和 Harness design for long-running application development 中揭露的修補手段也緊貼具體模型世代,例如針對上下文焦慮(Context Anxiety)的清空歷史與磁碟狀態交接機制,以及拆出獨立的 Evaluator 角色來糾正模型對自身輸出的寬鬆評分。Anthropic 在 Building effective agents 中也明確指出,生產實踐中表現最好的實作大多沒有採用重型第三方框架,而是用簡單、可組合的原語直接對接模型。
  • 面向真實業務與團隊的專用 Agent Harness:要把自主 Agent 變成團隊日常可託付的協作者,同樣離不開對話視窗之下的整套 Harness 工程,包括隔離的持久化沙盒、CLI 與腳本執行能力、可重複使用的 Skills 體系、瀏覽器操作,以及面向組織成員與群組的憑證與權限治理。這些執行環境原語都無法靠低程式碼畫布連線表達。

視覺化 Agent Builder 兩頭都不佔。為了用低程式碼節點相容所有廠商的模型,它只能按所有模型的最小交集設計抽象,既沒有模型廠商訓練期的互動耦合,又把專用 Agent Harness 賴以成立的沙盒、檔案系統與底層執行環境控制全部藏了起來。這不是換一套畫布互動就能補上的差距。

工程實踐中的兩道門檻

就算不談模型訓練期的原生耦合,用工作流程畫布做通用自主 Agent 還有兩道工程門檻繞不開。

1. 決定可用性的上下文工程,畫布無法表達

Manus 團隊在 Context Engineering for AI Agents: Lessons from Building Manus 中總結過長程 Agent 的幾項關鍵經驗:

  • 圍繞 KV-Cache 命中率組織上下文:系統提示詞前綴必須嚴格固定,歷史記錄只追加不修改;需要動態停用部分工具時,透過 Logit Masking 控制動作空間,而不是增刪工具定義導致快取失效。
  • 用虛擬機器檔案系統承擔長期記憶:抓取的網頁、長文件與指令輸出全部落盤,只在上下文裡保留路徑和摘要,按需讀取。
  • 保留原始報錯軌跡:不在外層吞掉異常,讓模型直接看到錯誤堆疊,透過上下文調整後續動作。

在視覺化 Agent Builder 裡,使用者能調的通常只有提示詞文字、外掛勾選、最大步數和記憶輪數。真正決定成本、延遲和任務完成率的控制手段,畫布上根本找不到入口。

2. 模型每次升級,都在清空畫布上的手工邏輯

Rich Sutton 在 The Bitter Lesson 中指出的規律在這裡同樣成立。開發者圍繞目前模型短板在系統外圍堆砌的啟發式規則、路由分支和限制條件,都會在下一代模型發布時失去價值。

團隊花幾週在畫布上搭出幾十個節點的「多 Agent 協作圖」去彌補目前模型規劃或容錯能力的不足,幾個月後往往會被新模型配合極簡 Harness 迴圈直接替代,畫布裡寫死的節點約束反而會限制更強模型的發揮。

工作流程與 Agent 屬於兩套架構

不少團隊用 Dify 或 Coze 搭出來的客服分類、資訊抽取和內容分發流程,在日常業務裡確實能持續跑通。這裡混了兩個完全不同的概念。真正能在生產環境長期執行的,其實是確定性工作流程(Workflow),和自主 Agent 是兩回事。

Anthropic 在 Building effective agents 裡區分了這兩種模式:

  • Workflow(工作流程):執行路徑由程式碼或流程圖事先確定,模型只在其中某個明確節點裡完成分類、抽取、摘要或判斷。何時觸發、走哪條分支、呼叫哪個介面、出錯如何重試,全部確定。
  • Agent(智能體):由模型在執行時自行決定下一步操作、工具選擇和迴圈次數,直到它判斷任務結束。

用畫布搭出來的「Agent」之所以能上線執行,往往是因為開發者在除錯中把分支條件和呼叫順序一步步寫死了。它本來就是一條工作流程,只是套用了 Agent 的名字。一旦真正放開節點讓模型自主迴圈,它立刻失去可預測性,也無法通過生產環境的稽核。

也正因為這兩套架構截然不同,我們把自主 Agent 和工作流程拆成了兩個獨立產品。做自主 Agent 時,我們沿著 Agent Harness 路線獨立做了 Leina,提供持久化沙盒、CLI 與腳本執行、Skills 與團隊權限治理;Open Flow 則專注確定性工作流程引擎。當 Leina 裡的任務需要沉澱為定時、可稽核的重複流程時,Leina 工作流程底層執行的就是 Open Flow。

視覺化編排擅長把確定的流程表達清楚,開放式自主執行則應該交給專屬的 Agent Harness。

為什麼確定性工作流程引擎有獨立壁壘

模型廠商也在陸續推出自己的工作流程與連接器功能,但它們吃不掉專業的工作流程基礎設施。Agent Harness 和確定性工作流程的技術壁壘完全不在同一個維度上。

在原生程式設計 Harness 領域,模型廠商握有訓練期聯合最佳化的不對稱優勢。到了確定性工作流程領域,Cron 排程、Webhook 佇列、條件分支、人工審核、OAuth 憑證管理與長尾應用適配,跟模型權重和強化學習沒有任何關係。模型廠商下場寫工作流程引擎,面對的是完全相同的工程複雜度,沒有任何先驗技術紅利。

即便模型廠商把工作流程做成自家的附屬能力,也會受到三個結構性束縛:

  • 模型綁定與模型中立的衝突:OpenAI 做的流程服務於自家模型,Anthropic 的工具鏈圍繞 Claude 建構。真實業務裡經常需要依節點性價比混用不同模型,或接入內網私有模型,企業也不願意把核心業務流程鎖死在單一模型廠商身上。Open Flow 允許自由設定任意模型服務位址與 OpenAI 相容介面。
  • 閉源雲端託管與資料主權的衝突:模型廠商的商業模式仰賴雲端 Token 與託管平台,執行日誌、業務憑證與執行環境必須留在它們的雲端上。大量涉及內網資料庫、財務系統和合規稽核的流程無法接受這種託管方式。Open Flow 開源且支援 Docker 自部署,工作流程檔案本身是開放的工程產物,可以直接納入 Git 管理。
  • 附屬功能與核心主業的衝突:對模型實驗室而言,工作流程和連接器始終只是提升模型留存的輔助模組,研發優先級永遠排在訓練下一代模型與打磨原生 Agent 之後。它們很難投入持續精力去維護 1,700+ 長尾應用、20,000+ 具體操作和精細的版本衝突檢查,更不可能把編排介面做成同時相容 Claude Code、Codex 與 Leina 等各類 Agent Harness 的公共底座。

模型與 Harness 變強,會淘汰用來修補模型短板的畫布框架,同時讓開放的確定性執行底座更有價值。Agent Harness 越聰明,它透過標準協議去編排和呼叫工作流程引擎的回報就越大。

Open Flow 的選擇:為各類 Agent Harness 提供確定性執行底座

Open Flow 專注確定性工作流程與外部系統連線,把編排和執行介面直接開放給真正的 Agent Harness。

維度 Open Flow 的選擇 通用 Agent Builder 路線(Dify / Coze 等)
核心定位 確定性工作流程引擎 + Agent Harness 的外部工具底座 在視覺化畫布上拼裝通用自主 Agent
自主智能歸屬 交給專屬的 Agent Harness(Claude Code、Codex 等原生 Harness,或 Leina 等團隊 Harness) 在低程式碼工作流程畫布內部重造通用 Agent 迴圈
畫布裡的 AI 角色 確定步驟裡的受控能力:LLM 節點、JEV 決策節點,以及嚴格受限的 Agent 節點 由模型接管整張圖的控制權,可控性與可除錯性較弱
外部系統治理 1,700+ 應用程式與 20,000+ 工具,統一帳號憑證、人工審核與版本回溯 側重對話內外掛呼叫,工程治理與稽核能力有限
與 Agent 的協作方式 面向 Agent 讀寫最佳化:提供 CLI 與 MCP,讓各類 Agent Harness 直接建立、檢查和修改流程 仰賴人在網頁畫布裡手工編排流程

具體到產品設計上,Open Flow 只做三件事:

  1. 保持流程確定、可稽核 排程觸發(Cron)、Webhook、輪詢、條件分支、迴圈、錯誤處理與人工審核(Approval),生產級自動化仰賴的是可預期、可追蹤、能回溯。AI 在 Open Flow 中只承擔範圍明確的任務。你可以用 AI 決策節點 在單次呼叫裡輸出分類、判斷與評分,也可以在明確限定最大輪數、宣告工具集、固定參數和審核策略的前提下使用 AI 智能體節點。它是確定性流水線上的一個受控工位,而不是脫離流程約束的自由執行環境。

  2. 把外部系統連線做成統一的執行層 再強的 Agent Harness,落到業務裡依然要面對 OAuth 憑證管理、內部審核、跨系統資料同步、計量計費和排程調度。Open Flow 整合了 1,700+ 應用程式與服務、20,000+ 現成工具(見應用程式與工具目錄),把鑑權、排隊、隔離和故障恢復留在伺服端解決。

  3. 透過 CLI 與 MCP,讓各類 Agent Harness 直接編排和呼叫 Open Flow 與其讓人在網頁畫布裡替模型編排思維鏈,不如把工作流程本身做成 Agent Harness 能直接讀寫的結構化工程。Open Flow 透過 CLI(oo flow) 與 MCP 提供節點查詢、局部編輯、原子提交、修訂衝突檢查和驗證能力。開發者可以直接讓 Claude Code 或 Codex 讀取現有流程、增改節點、完成驗證並發布,團隊也可以在 Leina 的日常對話裡觸發和執行確定性流程。開放式推理留在 Agent Harness 裡,高頻或涉及外部副作用的操作沉澱為確定的工作流程。

模型和 Agent Harness 會不斷迭代,業務系統之間的連線、權限管控與確定性執行則是長期不變的需求。讓專屬的 Agent Harness(無論是模型廠商的原生 Harness,還是我們自己的 Leina)負責自主推理,讓 Open Flow 專注確定性執行與外部連線,這就是我們不做 Dify / Coze 式 Agent Builder 的原因。

如果你需要一個面向工程協作的確定性工作流程引擎,可以打開 Open Flow 工作台,或先閱讀用 AI 助手編排工作流程指南。