Harrison Chase 认为目前 Agent 并没有一个统一的或大家公认的定义，不同的人常常从不同的角度来定义它。
OpenAI 认为，Agent 是“能代表你独立完成任务的系统”，但这种说法较为笼统、务虚，一点也不实用。Harrison Chase 更喜欢 Anthropic 的定义，认为他们的定义更精确，更技术化：
不同客户对 Agent 的认知存在差异。有些人将 Agent 视为完全自主的系统，能够长时间独立运行，灵活使用各种工具来完成复杂任务。 也有些人认为 Agent 是遵循预设规则、按照固定 Workflows 运作的系统。在 Anthropic，我们把所有这些变体都归类为 Agentic 系统，但在架构上，我们明确区分 Workflows 和 Agents：
Workflows
：依靠预先编写好的代码路径，协调 LLM 和工具完成任务；
Agents
：由 LLM 动态推理，自主决定任务流程与工具使用，拥有更大的决策自由度。
对于 Agent 的配置，通常包括模型、指令和工具，且多
在循环中
执行任务。两者的主要区别在于，Workflows 更为确定性和可控，适合简单任务；而 Agents 更灵活、适合复杂的、需要动态决策的场景。
大多数情况下，简单的 Workflows 就足够用，只有在任务复杂且需要更高灵活性时，才需要构建 Agentic 系统。正如 Anthropic 提到的：“在开始构建 Agent 之前，确保你的用例确实需要它。” 因此，Harrison Chase 指出，我们不需要像 OpenAI 那样，去纠结某个系统“是不是”一个 Agent：
“在实际应用中，我们发现大多数‘Agentic 系统’其实是 Workflows 和 Agents 的结合。这也是为什么我更倾向于讨论一个系统‘有多 Agentic’。”
另外，搭建一个 Agent 原型并不难，真正的挑战在于，如何构建一个稳定可靠、能支撑关键业务的 Agent 系统。如今，做一个在 Twitter 上好看的 demo 很容易，但要支撑实际业务，“没有大量工作是做不到的”。
Harrison Chase 表示他们之前做过一次针对 Agent 开发者的调查，调查显示“性能质量（performance quality）”被认为是将 Agents 投入生产的最大障碍。也就是说，让 Agents 稳定可靠地工作，依然是个巨大的挑战。
