大模型进化之后 谁还要替 AI 画工作流

扣子要退场的究竟是哪一部分

先把新闻的范围说清楚。扣子团队落款为 2026 年 10 月 29 日的公告，针对的是现售企业版套餐的分阶段停售与下线。截至本文写作的 2026 年 11 月 11 日，下面几个时间点都还没有到。扣子企业版下线公告

这里的“旧个人进阶版”有特定渠道和版本范围，不能扩展成所有个人用户。公告给出的原因是产品整合，后续企业产品和套餐另行说明。它没有宣布整个扣子立即停止服务，也没有给出“工作流路线失败”这样的技术结论。

甚至，扣子自己已经在改变。官方套餐升级文档介绍的扣子编程，支持通过 AI 编程开发技能、智能体、工作流和应用。今天再把扣子的全部形态都归结为拖节点，也会错过它已经发生的转向。扣子订阅套餐升级

但我对早期那套产品思路的疑问仍然成立：如果使用 AI 的前提，是我先学会替 AI 组织工作，那么省下来的到底是哪部分劳动？

工作流为什么会越搭越长

在模型能力还不稳定的时候，工作流有很实际的价值。

让模型一次完成一份报告，它可能漏掉检索，可能把数字算错，也可能连输出格式都守不住。于是把任务拆开：一个节点提取意图，一个节点搜索，一个节点整理资料，再用代码做计算和校验，最后交给模型组织文字。每一步只要求模型做一小件事，出问题也容易定位。

急着把大模型变成可用产品时，这是一条容易落地的路径。它把难以控制的模型输出，装进人能够理解的程序结构里。

麻烦出在后面。模型不会处理分页，就补分页逻辑；不会稳定输出字段，就加格式修复；不会判断材料是否齐全，就写几个分支；遇到网页结构变化，再补一个插件。看上去是在搭 AI，实际花掉的大量时间，却是替模型补缺口。

拿一个假设任务来说：整理几家公司的公开资料，按同一口径生成一份比较报告。第一次跑通以后，换一家公司的资料，PDF 变成扫描件；换一个年份，原来分开的业务合并披露；再换一个问题，某个指标根本没有公开。

固定流程只会走已经画好的路。要覆盖这些变化，维护者得继续增加识别、分支和异常处理。演示时省下的步骤，可能在维护时一项项补回来。

我说这种产品带着上一个互联网时代的理解，主要是指它对用户的假设：平台提供模块，用户负责学习模块、组装模块，再维护一个小系统。低代码降低了写语法的门槛，需求分析、数据口径和异常处理却仍压在用户身上。

这套分工对开发者、自动化工程师可以有用。面向一个只想拿到报告的人，它把太多生产过程变成了使用门槛。

而模型进步会继续改变这笔账。过去必须单独写出来的分类、格式转换、任务拆解，有一部分会进入模型能够直接处理的范围。旧节点仍然能运行，却可能让新模型绕远路，还增加调用、等待和维护成本。

这里有一个很贴近这个判断的工程例子。Anthropic 在 2026 年 3 月公布的长任务实验中，随着模型升级，尝试去掉原先帮助模型分段推进的 sprint 结构，并按任务难度重新判断评估器是否值得保留。他们采用的是逐项删除、观察效果的方式。长任务应用开发的 harness 设计

这个案例支持的判断很具体：为某一代模型补能力的结构，需要随着模型升级重新验收。节点越多，未必越先进；有些复杂度只是保存了上一代模型的弱点。

真正变化的是谁来决定下一步

工作流和 Agent 的区别，可以落到一个动作上：拿到中间结果以后，谁决定接下来做什么？

在预先编排的工作流里，人提前规定路径。Agent 则可以让模型根据当前结果选择工具、调整顺序、继续尝试。Anthropic 在 2024 年对两者作过这样的区分；这份早期说明仍适合用来辨认控制权，具体工具则已经更新了很多。Building effective agents

继续用刚才的报告任务。一个能承担更多过程的系统，发现 PDF 没有文字层，应当尝试识别图片；发现指标口径不同，应当回查定义；发现数字没有公开，应当标出缺失。它需要根据观察到的事实选择下一步，而不能为了填满表格编出一个数。

这才是我希望的“全链路”：给出目标、材料和约束以后，系统能在授权范围内持续推进，交付可以使用、可以核对的东西。中途普通的格式转换、工具报错、文件检查，不必每次都重新喊用户回来。

下面这张图表达的是目标分工，不代表每个标为 Agent 的产品都已经做到。

---
config:
  look: classic
  htmlLabels: false
  flowchart:
    diagramPadding: 32
    nodeSpacing: 18
    rankSpacing: 24
    padding: 8
---
flowchart TD
    accTitle: 从目标到可验收成果的 Agent 执行循环
    accDescr: 用户提供目标和约束，系统选择行动并调用工具；检查未达标时继续调整，达标后交付成果与证据。
    A[目标与约束] --> B[选择下一步]
    B --> C[执行并检查]
    C -->|调整| B
    C -->|达标| D[成果与证据]

它也解释了为什么模型更强之后，软件工程仍然有价值。模型可以选择“调用哪个工具”，工具还得真正完成查询、计算和写入。任务中断后从哪里恢复，重复调用会不会重复发消息，哪些账号可以访问哪些资料，这些都需要系统落实。

用户可以只面对目标和结果，产品内部仍然有状态、流程和规则。减少用户介入，需要产品接过这些复杂度。

产品已经在变 但它们承担的工作不同

编程 Agent 先把执行和反馈接了起来

Claude Code、Codex 和 Cursor Agent，已经把读代码、改文件、运行命令等动作放进连续的工作过程。它们代表的变化很直观：用户描述一个缺陷或功能，系统有机会自己找到相关文件，修改后读取运行结果，再决定是否继续修。

编程适合率先向这个方向推进，因为它有较多可执行的反馈。编译器能报错，测试能失败，浏览器能显示页面，Git 能保存改动。模型做完一个动作之后，环境会把一部分对错反馈回来。开放的商业判断就没有这么整齐的验收条件。

这些产品的使用边界、交互方式和工具并不相同，但它们共同把竞争推进到了“完成一项修改”的层面。代码补全的质量仍有意义，用户也会开始计算自己还需要盯住多少轮。

通用任务产品把交付物放到了前面

Manus 的入口直接列出幻灯片、网站、设计等任务；它的 My Browser 功能允许系统在浏览器标签页执行操作。这类产品更接近普通用户的表达方式：我要什么东西，而不是我要连接哪些节点。My Browser 使用说明

不过，把入口改成一句话，只完成了产品变化的一部分。能生成一个文件，不代表里面的数字有根据；能操作浏览器，也不代表每次点击都正确。Manus 的浏览器说明本身就要求用户监督操作。产品承诺接近了端到端，可靠性还需要按具体任务检验。

开源和可自托管项目正在拆解同一组难题

这部分最容易变成项目名单。把它们放到同一张表里，先看每个项目究竟接过哪一段工作。

这是一张职责表，不能读成能力排行榜。自己部署一个项目，只是接过了系统的控制权，并不会自动获得更聪明的模型或更可靠的业务判断。

Dify 和 n8n 也构成一个反例：工作流有明确的保留价值。每天定时读取系统数据、按既定规则生成记录，步骤稳定时，明确的编排便于复用和排错。让模型每次重新发明一遍流程，可能更贵，也更难检查。Dify 已经同时支持 Agent 和工作流，n8n 也把 AI Agent 与自动化作为组合能力，不能把它们冻结在“只能拖节点”的印象里。

LangGraph 把这种组合说得很清楚：同一张图中，可以混合确定性步骤与模型驱动的步骤。它负责状态和控制流；Deep Agents 则在上层提供计划、文件上下文、记忆和子任务等运行能力。画图与自主执行可以共存，关键是哪些决策还值得提前写死。

这里还有一个许可上的区别：这些项目不能统称为同一种开源授权。n8n 将自己定义为 fair-code、源码可见并可自托管；Dify 使用附加条件的许可。本文比较的是产品和工程分工，部署与二次分发须看对应项目的实际许可。n8n 项目说明、Dify 项目说明

我尤其在意字节自己的 DeerFlow。其 2.x 方向已经从研究流程转向长任务的运行环境，把工具、沙箱、记忆和技能放在一起。模型可以在里面读写文件、运行命令、保存中间结果，再交付报告或其他产物。这至少说明，在字节的技术探索中，也存在让模型动态推进工作的路线。DeerFlow 核心概念

OpenClaw 补的是另一个缺口：任务怎样进入日常生活。它把助手接到既有消息渠道，并保留会话、记忆和工具能力。一个持续在线、知道部分上下文的助手，确实比每次打开网页重新交代背景更接近“把事交给它”。与此同时，持续在线也扩大了权限管理和错误处理的责任，安装成功与长期放心使用之间还有距离。OpenClaw 产品定义

这些项目值得关注的共同点，是把模型放进能够行动的环境。项目名称里的 Agent、Flow 或 Claw，本身都不能证明它能把任务做完。

大模型沿着哪些路线往前走

前面讨论的是产品怎样组织工作。再往下看，模型能力本身也在沿几条相互配合的路线推进。把它们都叫作“Agent 进化”，会漏掉真正的技术区别。

预训练继续做底座 同时设法降低每次使用的成本

预训练让模型从文本、代码、图像等材料中学习表达、知识和可迁移的模式。数据、训练计算量与架构仍然影响模型能学到什么。

但今天的模型演进，已经很难用“参数越来越大”一句话说明。MoE 让每个 token 只调用部分专家，注意力和缓存设计影响长材料的处理成本。这些优化决定了一个 Agent 反复读资料、调用工具以后，账单和延迟能否接受。

以官方发布的 DeepSeek-V4.1-Flash 为例，它同时涉及多模态 MoE、长上下文、稀疏注意力和缓存压缩。这里值得读的关系是：更大的能力储备，与每一步更省的运行方式，正在一起发展。 总参数量并不等于每次都要付出的计算量。DeepSeek-V4.1-Flash 模型说明

后训练让模型学习怎样完成任务

会接着写文本，距离会正确使用工具、遵守要求、发现错误，还有一段距离。指令微调、偏好优化、强化学习等后训练方法，处理的正是这些行为与能力问题。

DeepSeek-R1 是这条路线的一个清楚节点：R1-Zero 探索了直接在基础模型上进行大规模强化学习的推理行为，R1 又加入冷启动数据等训练阶段。它说明，推理能力的提升并不全靠人把每一个解题步骤写成应用节点。DeepSeek-R1 原始项目说明

数学、代码等任务比较容易提供可验证反馈；更开放的任务，则需要考虑奖励到底在鼓励什么。拿到高分，可能意味着学会了完成任务，也可能意味着适应了评分规则。所以，训练环境与真实工作之间的差距，会直接影响能力能走多远。

到了 2026 年，训练目标也继续靠近实际执行。DeepSeek-V4.1-Flash 的说明，把自动合成 Agent 任务与环境、扩大任务及执行轨迹规模列入后训练数据工作的重点。这是在让模型学习多步行动，和只学习回答问题有了更明确的差别。V4.1-Flash 后训练说明

推理时多花计算 换取更好的解题机会

后训练改变模型参数；推理时计算则是在使用模型时，给它更多思考、检查或尝试的机会。两者经常一起出现，但不是同一件事。

OpenAI 当前的推理模型文档，把推理 token 用于计划、工具使用、检查备选方案和处理多步问题，并提供不同推理投入。用户看到的是“想久一点”，系统付出的是更多时间和计算。Reasoning models

这也改变了产品取舍。一个用于随手问答的模型，需要快；一个替用户完成复杂修改的系统，可以多花一些时间，只要它因此减少返工。思考更多也不能保证正确，关键仍是多出的计算有没有换来可验证的改善。

执行环境和上下文管理 让能力持续用下去

模型一次能做好，不代表它能在长任务中一直做好。资料越来越多，早期约束可能被挤掉；工具报错后，系统可能重复尝试；任务中断以后，还得知道哪些动作已经执行。

这就需要 harness，也就是围绕模型的运行支撑：提供工具、保存状态、管理上下文、承载中间产物，并处理恢复。检索增强生成（RAG）、记忆、技能、文件系统和子任务分工，主要是在解决“现在该让模型看到什么、使用什么、保留什么”。

OpenAI 当前的 Agents API 已经把会话、编排、上下文压缩和恢复交给托管的 Codex harness，应用提供工具并选择执行环境。这是一个很明确的产品信号：厂商开始把持续执行所需的基础设施一起提供。Agents API

MCP 解决外部工具与数据怎样接进来；技能提供某类任务的规则、材料和方法。它们能扩展系统，却不能单独保证任务完成。多 Agent 也一样：分工适当时可以并行探索、隔离上下文，分工失当时会增加通信与合并错误。

还要分清记忆和训练。把用户偏好写进文件，下次再读出来，并不等于模型权重已经更新。一个助手“记得上次的事”，不能直接推导出它已经拥有持续自我训练的能力。

多模态、世界模型和具身智能 扩大可以行动的范围

文本和代码之外，模型还需要看懂屏幕、图像、视频，理解空间与动作。多模态把更多输入带进同一个任务；computer use 让系统通过界面操作既有软件；世界模型尝试模拟环境及其变化；具身智能还要面对机器人和真实物理反馈。

这些方向互有关联，但成熟程度差别很大。网页按钮点错，可以重试；机器人在真实环境里动作出错，代价和约束完全不同。

2026 年 10 月 27 日公布的 Genie 4，就是一个能够说明进展与边界的例子：Google DeepMind 展示了可交互的世界模拟，并探索与 Gemini、机器人研究结合；它仍是面向受信测试者的研究预览，长时间一致性、空间精度和复杂物理交互都在限制之列。Genie 4 发布说明

因此，当前更有依据的判断是：能力更强、推理更充分、行动工具更丰富、执行过程更持久，这几条路线正在汇合。 Transformer 系模型仍在演进，世界模型和机器人研究也在扩展边界，行业并没有通过换一个架构就解决全部问题。

到了哪一步 要看它能交付什么

截至 2026 年 11 月，GPT-6 系列、Claude Opus 5.5、Gemini 4 等模型的公开资料，已经把软件工作、工具使用和复杂多步任务放在显眼位置。这里列出的只是代表，产品开放范围和评测条件各不相同，不能排成一个没有任务口径的总榜。OpenAI 模型指南、Claude Opus 5.5、Gemini 官方模型页

对使用者而言，更有用的是按任务拆开看。

表里的“已经出现”，不等于每个产品都普遍可靠。它描述的是能力到达的范围，实际使用还要看模型、工具、环境和验收方式怎样组合。

METR 的任务时间跨度评测，提供了一种比单题分数更接近这个问题的观察方式：用人类专家完成任务的时间表示任务难度，再估计 Agent 在多长任务上有 50% 或 80% 的成功概率。但它主要采用边界清楚、可自动评分的软件类任务；“人类需要两小时的任务”也不等于“AI 能无人值守运行两小时”。该页面标注的最近更新时间为 2026 年 9 月 8 日，不能拿来覆盖此后所有新模型。METR 评测与方法说明

50% 与 80% 的差别，在产品里非常实际。一次成功的视频可以展示能力，日常交付还要承受失败的那部分。哪怕大多数步骤做得不错，只要最后仍需要用户从头核对一遍，节省的劳动就会打折。

我仍然把“中间不需要我干预”当成一个合理的产品期待。尤其在资料、权限和验收条件已经给足的任务上，系统应该自己处理普通障碍。这个期待不该被“AI 还会犯错”轻易挡回去，否则产品永远可以把最后一段工作留给用户。

但有些停顿确实有信息价值：两份资料冲突且没有依据判断，目标存在关键歧义，或下一步超出已经授权的范围。此时问一次，胜过静悄悄地猜下去。

下一代产品应该让我少做哪些事

扣子企业版的调整，不能替所有工作流平台宣判结局。稳定的业务流程、确定性的计算、组织审批和系统集成，都有长期需求。

我更愿意据此重新审视一类价值：如果一个产品主要出售的是“模型目前做不到，所以请你搭一层”，它就必须持续证明这层东西还有用。模型一升级，维护者应该能删掉失去价值的结构，而不是守着已经搭好的节点继续增加复杂度。

能够留下来的部分，要经得起另一种检验：掌握真实业务数据和权限，保存可追溯的执行证据，让错误能够恢复，提供稳定的工具，并把验收标准落实到成果里。模型越强，这些东西越有机会被更充分地使用。

所以我看一个新的 AI 产品，会先看它怎样处理失败：网页打不开，它会不会换一条有根据的路径；文件生成了，它会不会重新打开检查；数据缺失了，它会不会说明缺在哪里；任务跨过一个上下文窗口，它还能不能接着做完。

入口是一句话，内部可以有很多步骤。对用户而言，那些步骤应当表现为产品承担的工作。

我希望交给 AI 的，是“按这个口径，把资料整理成一份能用的报告”。回来时，桌上应该有文件、来源、检查结果和少量确实需要我判断的问题。至于中间连过多少条线，应该越来越少成为我的功课。

参考资料

资料核验截至 2026 年 11 月 11 日；官方产品文档用于确认功能定位，不代表独立实测结果。本文对维护成本与产品方向的评价属于作者判断。

• 扣子：企业版下线公告、订阅套餐升级。
• Anthropic：工作流与 Agent 的早期区分、长任务 harness 实验、Claude Code 文档、Opus 5.5 发布说明。
• OpenAI：Codex CLI、推理模型、Agents API、模型指南。
• 产品：Cursor Agent、Manus、Manus 浏览器功能与操作边界。
• 应用与自动化：Dify 文档、Dify 项目及许可说明、n8n 项目及许可说明。
• Agent 工程：LangGraph、Deep Agents、OpenHands、Browser Use、DeerFlow、OpenClaw。
• 模型训练：DeepSeek-R1、DeepSeek-V4.1-Flash。
• 多模态与世界模型：Gemini、Genie 4。
• 独立评测：METR 任务时间跨度与方法边界。