引言 Agent系统本质上是一个工作流编排系统——理解意图、检索知识、调用工具、评估结果、生成回复，每一步都是工作流中的一个节点。选择合适的工作流引擎，直接决定了Agent系统的可靠性、可观测性和开发效率。
2026年，工作流引擎领域已形成了清晰的格局。Temporal凭借其强大的状态管理和重试机制成为Agent系统的热门选择，Airflow在数据处理管道中依然占有一席之地，而自研引擎则在对性能和灵活性有极致要求的场景中仍有市场。
Agent工作流的特殊需求 与传统数据处理工作流不同，Agent工作流有其独特的需求特征：
需求维度 传统工作流 Agent工作流 执行时长 分钟到小时 秒到分钟 分支复杂度 低（线性DAG） 高（动态分支、循环） 人机交互 罕见 频繁（澄清、确认） 失败处理 重试或告警 重新规划、降级策略 状态管理 简单 复杂（对话历史、中间结果） 实时性 批处理 实时或近实时 动态性 静态DAG 运行时动态生成 三大方案深度对比 Temporal：Agent工作流的最佳搭档 from temporalio import workflow, activity from datetime import timedelta @activity.defn async def understand_intent(user_input: str) -> dict: """意图理解活动""" # 调用LLM进行意图分类 result = await llm_client.classify(user_input) return { "intent": result.intent, "confidence": result.confidence, "entities": result.entities } @activity.defn async def retrieve_memory(query: str, top_k: int = 5) -> list: """记忆检索活动""" memories = await vector_db.search(query, top_k=top_k) return [{"content": m.text, "score": m.score} for m in memories] @activity.defn async def execute_tool(tool_name: str, params: dict) -> dict: """工具执行活动""" tool = tool_registry.get(tool_name) result = await tool.run(**params) return result @activity.defn async def generate_response(prompt: str, context: dict) -> str: """响应生成活动""" response = await llm_client.generate(prompt, **context) return response @workflow.defn class AgentWorkflow: """Agent主工作流""" @workflow.run async def run(self, user_input: str) -> str: # Step 1: 意图理解 intent_result = await workflow.execute_activity( understand_intent, user_input, start_to_close_timeout=timedelta(seconds=10), retry_policy=RetryPolicy( initial_interval=timedelta(seconds=1), maximum_interval=timedelta(seconds=10), maximum_attempts=3 ) ) # 需要澄清时，等待用户输入 if intent_result["confidence"] < 0.6: clarification = await workflow.wait_for_signal( "user_clarification", timeout=timedelta(minutes=5) ) intent_result = await workflow.execute_activity( understand_intent, clarification, start_to_close_timeout=timedelta(seconds=10) ) # Step 2: 并行检索记忆和执行工具 memory_task = workflow.execute_activity( retrieve_memory, user_input, start_to_close_timeout=timedelta(seconds=5) ) tool_task = workflow.execute_activity( execute_tool, intent_result["intent"], intent_result["entities"], start_to_close_timeout=timedelta(seconds=30) ) memories, tool_results = await asyncio.gather(memory_task, tool_task) # Step 3: 生成响应 prompt = build_prompt(user_input, memories, tool_results) response = await workflow.execute_activity( generate_response, prompt, {"intent": intent_result["intent"]}, start_to_close_timeout=timedelta(seconds=15) ) return response Temporal的优势在Agent场景中极为突出：
...
