LangChain为何不做可视化工作流工具？
又一个工作流搭建工具？我们为什么没做？
作者：Harrison Chase
从创立 LangChain 的第一天起，用户向我们提得最多的一个要求，就是做一个可视化的工作流（workflow）搭建工具。但我们一直没有去做，而是让其他人（如 LangFlow、Flowise、n8n 等）在我们基础之上做这个事儿。昨天 OpenAI 在 Dev Day 上推出了自家的工作流搭建工具。借这个机会，我想谈谈我们为什么一直没做这个东西，以及我们真正感兴趣的方向是什么。
无代码工具想解决的问题
首先，让我们明确一下这些无代码的工作流工具到底想解决什么问题？简单来说，就是希望让非技术人员也能创建AI智能体（Agent）。大家这么做的主要原因有两个：
很多公司缺技术人才，工程师太忙，根本顾不过来。
事实上，非技术人员才是更清楚业务需求、最懂要搭什么智能体的人。
当然，也有人用这些工具来快速搭个原型，然后再由工程师写代码落地。但今天这篇文章，我们主要就聊聊第一种情况——即让公司里的每个人都能快速搭出自己想要的工具或应用，而不用麻烦工程师。
“工作流”和“智能体”，到底有什么区别？
前面我故意使用了两个不同的词：“工作流”（Workflow）和“智能体”（Agent）。
目前，开发者社区对智能体已有一个比较广泛接受的定义：
💡智能体（Agent）就是通过大语言模型（LLM）反复调用工具（Tool），持续运行直到实现目标的程序。
工作流的特点是更可控，但缺乏自由度；
智能体的特点是更自主，但难以预测具体流程。
我们真正想要的，是“稳定地获得高质量的结果”。而单纯的可控性或自主性，都无法保证稳定高质量。
- 工作流的逻辑通常比较复杂，有分支、并行等各种路径。这种复杂性通常以图（graph）的形式表现出来。
- 智能体的逻辑也可能很复杂，但它的复杂性隐藏在自然语言提示词（prompt）之中，因此结构相对简单（通常只是“提示词+工具”）。
事实上，包括 OpenAI 的 AgentKit、n8n、Flowise、LangFlow 等这些工具，都是可视化的工作流工具，而非真正的智能体构建工具。
可视化工作流工具到底有什么问题？
有了这些背景，我们来看工作流工具目前存在的两个问题：
1. 门槛其实没想象中低
这些工具虽然号称是为普通人设计的，但实际使用起来，对于完全没有技术背景的人来说，依然有些困难。
2. 稍微复杂一点的任务就难以管理
一旦任务变复杂，你就会面对满屏密密麻麻的节点和连线，让人头疼不已。
除了工作流工具，还有哪些选择？
我们真正想做的，是创建“稳定、高质量”的AI智能系统，无论它们以工作流还是智能体的形式出现。
对于不同复杂程度的任务，我们的看法是：
高复杂度问题：用代码写工作流
面对非常复杂的问题，我们发现纯粹的智能体无法达到足够的稳定性，而是需要一些结构化的工作流管理。这种场景下，最佳选择其实是用代码写工作流，比如我们推出的 LangGraph。
过去，这类复杂问题只有专业开发者才能解决。但随着代码自动生成成本越来越低，未来即使是非技术人员，也可能借助AI生成的代码来解决这些问题。
低复杂度问题：无代码智能体
面对较简单的任务，纯粹的智能体（“提示词+工具”）往往就足够了。
事实上，用无代码的方式创建这种简单的智能体，比起搭建一个复杂的可视化工作流要容易得多。
而且随着大语言模型的进步，这类智能体能够处理的问题也会越来越复杂。
可视化工作流工具的两头挤压效应
所以，现在无代码的可视化工作流工具，正被上下两头挤压。
我们相信，未来无代码智能体的创建体验会越来越简单，AI 模型、智能体的工具集以及创建和训练这些智能体的界面都将变得更强大。这意味着越来越多的任务都能通过简单的智能体解决。
另一方面，视觉化的工作流工具一旦复杂到一定程度就难以管理，唯一有效的方式就是用代码实现。而随着代码生成越来越智能化，未来转向代码实现的门槛会越来越低。
我们真正感兴趣的问题
请注意，我并不是在否定现有的工作流工具，事实上，像 n8n、Flowise、LangFlow、Gumloop 这些公司做得非常棒，已经解决了今天真实存在的许多问题，真正帮到了不少非技术人员。
但我认为这个世界并不需要再多一个“工作流”搭建工具。相反，我们感兴趣的问题其实是：
- 如何让非技术人员更简单地创建真正“稳定高质量”的智能体（Agent，而不是工作流）？
- 如何让AI生成代码的能力变得更强，从而降低复杂工作流和智能体的开发门槛？
作者：Harrison Chase
从创立 LangChain 的第一天起，用户向我们提得最多的一个要求，就是做一个可视化的工作流（workflow）搭建工具。但我们一直没有去做，而是让其他人（如 LangFlow、Flowise、n8n 等）在我们基础之上做这个事儿。昨天 OpenAI 在 Dev Day 上推出了自家的工作流搭建工具。借这个机会，我想谈谈我们为什么一直没做这个东西，以及我们真正感兴趣的方向是什么。
无代码工具想解决的问题
首先，让我们明确一下这些无代码的工作流工具到底想解决什么问题？简单来说，就是希望让非技术人员也能创建AI智能体（Agent）。大家这么做的主要原因有两个：
很多公司缺技术人才，工程师太忙，根本顾不过来。
事实上，非技术人员才是更清楚业务需求、最懂要搭什么智能体的人。
当然，也有人用这些工具来快速搭个原型，然后再由工程师写代码落地。但今天这篇文章，我们主要就聊聊第一种情况——即让公司里的每个人都能快速搭出自己想要的工具或应用，而不用麻烦工程师。
“工作流”和“智能体”，到底有什么区别？
前面我故意使用了两个不同的词：“工作流”（Workflow）和“智能体”（Agent）。
目前，开发者社区对智能体已有一个比较广泛接受的定义：
💡智能体（Agent）就是通过大语言模型（LLM）反复调用工具（Tool），持续运行直到实现目标的程序。
工作流的特点是更可控，但缺乏自由度；
智能体的特点是更自主，但难以预测具体流程。
我们真正想要的，是“稳定地获得高质量的结果”。而单纯的可控性或自主性，都无法保证稳定高质量。
- 工作流的逻辑通常比较复杂，有分支、并行等各种路径。这种复杂性通常以图（graph）的形式表现出来。
- 智能体的逻辑也可能很复杂，但它的复杂性隐藏在自然语言提示词（prompt）之中，因此结构相对简单（通常只是“提示词+工具”）。
事实上，包括 OpenAI 的 AgentKit、n8n、Flowise、LangFlow 等这些工具，都是可视化的工作流工具，而非真正的智能体构建工具。
可视化工作流工具到底有什么问题？
有了这些背景，我们来看工作流工具目前存在的两个问题：
1. 门槛其实没想象中低
这些工具虽然号称是为普通人设计的，但实际使用起来，对于完全没有技术背景的人来说，依然有些困难。
2. 稍微复杂一点的任务就难以管理
一旦任务变复杂，你就会面对满屏密密麻麻的节点和连线，让人头疼不已。
除了工作流工具，还有哪些选择？
我们真正想做的，是创建“稳定、高质量”的AI智能系统，无论它们以工作流还是智能体的形式出现。
对于不同复杂程度的任务，我们的看法是：
高复杂度问题：用代码写工作流
面对非常复杂的问题，我们发现纯粹的智能体无法达到足够的稳定性，而是需要一些结构化的工作流管理。这种场景下，最佳选择其实是用代码写工作流，比如我们推出的 LangGraph。
过去，这类复杂问题只有专业开发者才能解决。但随着代码自动生成成本越来越低，未来即使是非技术人员，也可能借助AI生成的代码来解决这些问题。
低复杂度问题：无代码智能体
面对较简单的任务，纯粹的智能体（“提示词+工具”）往往就足够了。
事实上，用无代码的方式创建这种简单的智能体，比起搭建一个复杂的可视化工作流要容易得多。
而且随着大语言模型的进步，这类智能体能够处理的问题也会越来越复杂。
可视化工作流工具的两头挤压效应
所以，现在无代码的可视化工作流工具，正被上下两头挤压。
我们相信，未来无代码智能体的创建体验会越来越简单，AI 模型、智能体的工具集以及创建和训练这些智能体的界面都将变得更强大。这意味着越来越多的任务都能通过简单的智能体解决。
另一方面，视觉化的工作流工具一旦复杂到一定程度就难以管理，唯一有效的方式就是用代码实现。而随着代码生成越来越智能化，未来转向代码实现的门槛会越来越低。
我们真正感兴趣的问题
请注意，我并不是在否定现有的工作流工具，事实上，像 n8n、Flowise、LangFlow、Gumloop 这些公司做得非常棒，已经解决了今天真实存在的许多问题，真正帮到了不少非技术人员。
但我认为这个世界并不需要再多一个“工作流”搭建工具。相反，我们感兴趣的问题其实是：
- 如何让非技术人员更简单地创建真正“稳定高质量”的智能体（Agent，而不是工作流）？
- 如何让AI生成代码的能力变得更强，从而降低复杂工作流和智能体的开发门槛？