# 為什麼 Open Flow 不做 Dify / Coze 式 Agent Builder

Source: https://openflow.run/zh-tw/blog/why-not-agent-builder/
Language: zh-TW

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](https://openai.com/index/harness-engineering) 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](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](https://www.anthropic.com/engineering/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](https://manus.im/blog/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](http://www.incompleteideas.net/IncIdeas/BitterLesson.html) 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](https://www.anthropic.com/engineering/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](https://leina.ai/zh-tw/)，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](https://leina.ai/zh-tw/workflows/)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](https://openflow.run/zh-tw/docs/nodes/approval/index.md)），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](https://openflow.run/zh-tw/docs/nodes/decision/index.md) 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](https://openflow.run/zh-tw/docs/nodes/agent/index.md)。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](https://console.openflow.run/connections)），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`）](https://github.com/oomol-lab/oo-cli) 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](https://openflow.run/zh-tw/docs/guides/agent-authoring/index.md)。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](https://leina.ai/zh-tw/) 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](https://leina.ai/zh-tw/)）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](https://console.openflow.run/flows)，或先閱讀[用 AI 助手編排工作流程指南](https://openflow.run/zh-tw/docs/guides/agent-authoring/index.md)。

OOMOL·2026年11月18日
