来源：公众号 AI开发日志（Build Your X With AI 系列）
说明：本文已同步到个人博客，便于归档与检索。
系列第三篇｜公众号：AI开发日志
很多团队做 Agent，第一步就选错方向：
- 该做 RAG 的，硬上 Multi-Agent
- 该做 Workflow 的，直接放给大模型自由发挥
- 结果是成本高、效果差、迭代慢
这篇给你一个可落地的选型框架：什么时候用 RAG，什么时候用 Workflow，什么时候才需要 Multi-Agent。
一、先看定义：三者分别解决什么问题？
1) RAG（Retrieval-Augmented Generation）
核心作用：补知识。让模型在回答前先检索资料，减少幻觉。
适合场景：
- 企业知识库问答
- 制度/手册/文档检索
- 客服知识辅助
你可以把 RAG 理解为：
给模型配一个“可查证的大脑外接硬盘”。
2) Workflow（工作流）
核心作用：控流程。把任务拆成固定步骤，明确每一步输入输出。
适合场景：
- 内容生产流水线
- 数据分析与日报
- 审批/通知/同步系统类流程
本质是：
把“AI 的不确定性”关在可控边界里。
3) Multi-Agent（多智能体）
核心作用：分角色协作。让多个 Agent 分工处理复杂任务。
适合场景：
- 复杂策略规划
- 多角色博弈与评审
- 长链路项目协同
但要注意：
Multi-Agent 不是高级感，而是复杂度成本。
二、选型判断：4 个问题快速决策
在评审会上，先问这 4 个问题：
- 任务是否主要缺“知识上下文”？
- 任务流程是否固定、可拆步骤？
- 是否需要多个角色并行协作？
- 业务容错率高还是低？
对应建议：
- 主要缺知识 → 优先 RAG
- 流程稳定可拆解 → 优先 Workflow
- 强协作 + 高复杂任务 → 考虑 Multi-Agent
三、最稳妥的落地路径（推荐）
别一上来就 Multi-Agent。建议分三阶段：
Phase 1：RAG 打底
先把“答对”问题解决。
Phase 2：Workflow 固化
再把“稳定交付”做起来。
Phase 3：局部引入 Multi-Agent
只在高价值复杂环节引入多智能体协作。
四、常见误区
- 把 Multi-Agent 当万能方案
- 没有评估指标就谈架构升级
- 忽略数据质量，过度迷信 prompt
- 流程没标准化就追求自动化
五、结论
一句话：
先解决“准不准”（RAG），再解决“稳不稳”（Workflow），最后再追求“强不强”（Multi-Agent）。
这才是大多数团队最省钱、最快见效的路径。
如果这篇对你有帮助，点个在看。
私信公众号 「选型模板」，领取：
- RAG/Workflow/Multi-Agent 选型表
- 架构评审检查清单
- 落地阶段路线图（可直接复用）