智能体编排工具怎么选：模型之外还有三道题

十月第三周多家厂商同时把开放权重模型的卖点压到长程智能体上，模型这一层的可选面变宽了。真正卡住的仍是编排层：数据放哪、谁维护、模型能不能换。逐个看五款编排工具各自守住的位置，并给出按场景取舍的路径。

先说结论

十月第三周，开放权重模型这一层几乎同时往前挪了一步。10 月 15 日，NVIDIA 发布 Nemotron 3.5 Super VL：一个 1200 亿总参数的开放多模态模型，官方给它的定位是给「常驻型智能体」用，同时发布了 Nemotron 3.5 Bolt 74B-A9B 24GB —— 靠原生 2 比特量化把 740 亿参数压进 24GB 显存，官方列出的运行方式包括 llama.cpp、Ollama、LM Studio、Unsloth 与 vLLM；更小的 Bolt E4B 4GB 定在 10 月 23 日。同一天，Meta 放出 Muse Spark Open：8160 亿总参数、每 token 激活约 420 亿、100 万 token 上下文，官方给出的首发推理栈覆盖 SGLang、vLLM、TensorRT-LLM、Transformers、MLX、llama.cpp 与 Unsloth。再往前两天，10 月 13 日，Liquid AI 发布 LFM2.5-24B-A2B：240 亿总参数、每 token 只激活约 20 亿，上下文从上代的 32768 扩到 131072，官方把它定位为「跑在自己设备上的快速、私密智能体」，并明确建议知识密集型任务给它配检索或联网搜索。

三件事指向同一处：模型这一层的可选面变宽了，能力与价格不再是仅有的决定项。但把模型接进真实业务的那层没有跟着变简单 —— 流程怎么拆、外部系统怎么挂、失败怎么重试、结果怎么回溯，这些仍然是自己要答的题。

结论先给三条，每条都写清取舍：

• 数据能不能出网，是第一道分水岭。 能出网，托管编排的上线速度最快；不能出网，就只剩可自托管的选项，代价是服务器的运维、升级与故障处理都要自己接。这条决定后面所有选项，别跳过。
• 维护人是谁，决定该选「画出来」还是「写出来」。 业务岗自己长期维护，选可视化编排；有开发长期兜底，选能插代码的那一档，复杂逻辑才有出路。
• 模型要能换。 把模型当可替换部件而不是绑死在一家，编排层的投入才不会因为某次模型更新归零。本周年内多家开放权重模型同时可用，正好是把这件事做掉的窗口期。

入选标准

本篇的五款全部来自站内已收录并核实过的工具条目，不引入没核过的新产品。筛选口径三条，写出来是因为「怎么挑的」本身就是结论的一部分：

• 能串起多个步骤：一次流程里至少要能编排两次以上的外部系统调用或工具调用。只做单轮问答的不算编排层，那是模型层的事。
• 有明确的运行形态：托管云版或自部署，二者至少其一能长期使用。只有试用版、没有稳定形态的不进。
• 境内可达性与支付方式在站内条目里已写明：推荐一个团队根本付不了款或用不上的工具没有意义。

不比「谁更强」。这一层的差异主要在部署形态与维护成本，不在模型能力 —— 模型能力本身就是可替换的。

要说明本篇不覆盖什么：不评测各家的编排表达能力上限，那需要在同一套真实业务流上跑过才能下结论；本篇给的是选型路径与取舍，不是实测排名。

工具逐个看

Dify

可视化编排的 AI 应用开发平台，把提示词、知识库与工具调用画成一张流程图，是这一层里少数把「AI 流程」当主业而不是附加功能的选项。

强项在部署形态：开源且可自托管，数据能留在自己的环境里，对有数据边界要求的团队是可选项；内置检索增强与插件机制，常见能力不必从零实现；发布形态多，网页、接口与嵌入组件能覆盖不同接入场景。界面原生简体中文，大陆网络可直接访问。

适合谁：需要在内网或自有服务器上跑、又不想自己拼一堆组件的团队。

取舍要说清：自托管意味着服务器、升级与故障处理都由自己承担；检索效果高度依赖知识库的切分与整理质量，这一步偷懒后面全白搭；复杂业务逻辑仍需要开发介入，纯配置解决不了所有问题。

计费结构：社区版免费开源，云版与企业版以美元计价，具体档位以官网为准。

扣子 Coze

可视化编排的智能体平台，最大的特点是把「发布渠道」这件事做得很宽 —— 同一套逻辑可以复用到网页、飞书、微信生态与接口，省掉从原型到可用的工程投入。

强项在起步成本：不写代码也能把多步骤流程固定下来，重复任务不必每次重新交代；知识库与数据库能力齐备，能让智能体按给定资料作答并保持多轮状态；国内直连、中文界面与文档齐全。

适合谁：先把流程跑通、再考虑工程化的小团队，以及需要把同一个智能体发到多个渠道的运营场景。

取舍在这里：零代码不等于零思考，流程没想清楚就动手，跳过那一步照样跑不通；输出准确性高度依赖知识库资料质量与提示词的边界约束，需要反复调试；超出免费额度后按用量计费，高频运行的智能体成本要预估，具体档位以官网为准。

另有一处容易踩：国内版与海外版分开运营，账号与额度不互通，跨区团队要分别评估。

n8n

可视化与代码兼得的自动化平台。AI 在它里面只是节点的一种，主业是「把系统接起来」。

强项在接口面与可控性：可自托管，数据留在自己环境里，合规与私有化场景适用；触发方式与集成面广，既有系统也能用通用节点接上；执行过程全程可见，调试与排错比黑盒式自动化省力得多。

适合谁：已经有大量内部系统要接、且流程里有不少非 AI 步骤的团队。真实业务流通常不是纯 AI 的，这类场景里它比纯 AI 编排平台更贴手。

取舍：学习曲线比纯点选的自动化工具更陡，概念需要花时间消化；集成数量不如某些老牌托管工具庞大，冷门系统可能得自己接；自托管要自行承担服务器运维、升级与安全加固；非技术成员上手较慢，团队里通常需要有人专门维护。

计费结构：自部署社区版免费，云版以美元计价且需要境外支付方式，具体档位以官网为准。

Make

画布式自动化平台，分支、循环、聚合与错误处理都画在画布上，是五款里流程表达能力最直观的一个。

强项在失败处理：错误处理可直接在画布上设计，流程更稳健。这一点在「步骤多、某一步失败代价高」的场景里非常实在 —— 多数编排工具能跑通主干，差别出在分支与重试上。它也能插入 AI 模块处理语义判断类任务。

适合谁：流程分支多、需要显式设计失败与重试的自动化场景。

取舍：需要先理清流程逻辑，不能直接上来就搭；按操作次数计费，复杂流程消耗较快，具体档位以官网为准；复杂画布维护起来仍需要专人负责；在境内使用同样绕不开网络条件这一关。

Zapier

老牌托管自动化平台，连接的应用数量多，模板库丰富，是「尽快接起来」这条路线上的典型选择。

强项在上手速度：模板改一改就能用，比自建平台快得多；AI 步骤可插入流程中间，处理分类、提炼这类判断环节；多年积累的稳定性是它作为老牌选择的实际价值。

适合谁：以海外 SaaS 为主、需求是尽快上线而不是完全可控的团队。

取舍：按任务量计费，用量大时成本会明显上升，具体档位以官网为准；能力受限于支持的应用列表，冷门工具可能连不上；复杂的多分支流程调试起来仍需要耐心；国内访问需要额外的网络准备，团队推广有阻力。

怎么选

按顺序答三道题，答案基本就出来了：

• 数据不能出网，或有明确的合规要求 → 在 Dify 与 n8n 之间选，两者都可自托管。二者之间再分：以 AI 流程为主、需要知识库与检索增强 → Dify；以系统对接为主、AI 只是其中一步 → n8n。
• 业务岗自己维护、要尽快上线 → 扣子 Coze。先把流程跑通，等流程稳定、需要更深的系统对接时再评估要不要迁移。别一上来就为半年后的需求选型。
• 流程分支多、失败代价高 → Make。错误处理能画在画布上，这点在有重试需求的场景里省事。
• 已经全量使用海外 SaaS → Zapier。用现成模板换上线速度，代价是流程逻辑沉淀在别人的平台上，迁移时要重搭。

两条容易踩的线值得单独说：

一是先选工具再想流程。工具换不掉流程设计上的欠账，顺序反了会在配置阶段反复推倒重来。把流程图在纸上画完再动手，比多试两款工具有效得多。

二是把模型与编排绑死在一家。本周三家在同一周内放出开放权重模型，正好说明模型这一层的迭代速度与可替换性都在变高。编排选型时留一个换模型的口子，比挑一个当下顺手的模型更重要。

顺带一句关于长程任务：Liquid AI 在官方博客里明确建议知识密集型任务给模型配检索或联网搜索，把它的强项留给工具调度。这类建议落到编排层就是一件事 —— 把「查资料」做成流程里的一个显式步骤，而不是指望模型自己想起来。具体怎么接，可以参考站内这篇给智能体接上实时联网搜索的教程。

常见问题

开放权重模型变多了，是不是就不需要托管 API 了？

不是替代关系，是分工。托管 API 省掉的是显卡、运维与扩容这件事，自部署换来的是数据不出网与长期单位成本可控。判断依据很简单：数据能不能出网、有没有人长期维护推理栈。两个都答不上来，就先用托管 API。

编排层和模型层，先投入哪个？

先编排层。模型是可替换部件，编排层沉淀的是你对业务流程的理解 —— 后者换工具时要重做，前者换个接口就能试。反过来先把某个模型调得很熟，模型一更新，投入就归零了。

自托管编排到底要多重的运维？

至少三件：服务器本身的可用性与备份、版本升级时的流程回归、以及出故障时有没有人能定位。团队里没有能接住这三件事的人，选托管版是更稳的。Dify 与 n8n 的站内条目都把「自托管意味着自己承担运维」写进了取舍里，不是客套。

这五款能互换吗？

能迁移，但不是无损。流程逻辑可以在画布之间重画，但各家的节点语义、错误处理模型与集成清单不同，重搭一次接近重写。所以选型时把「迁移成本」当成一次性投入来估，别假设以后能平滑换。

只是想让 AI 帮我自动处理一批文件，也要上编排平台吗？

不一定。流程只有两三步、且不需要长期无人值守时，用 WorkBuddy 这类目标驱动的桌面助手直接跑更省事。编排平台的价值在「这个流程要长期、反复、被多人使用」时才明显。

相关分类与内容

• AI 智能体工具分类 —— 编排、自动化与智能体平台的完整清单
• AI 编程工具分类 —— 需要把智能体接进代码仓库时的另一条线
• AI 办公助手分类 —— 流程最终落在办公场景时的落点
• AI 助手怎么选：先把任务分档，再挑工具 —— 模型侧的分档思路
• 2026 年四季度 AI 工具怎么选：20 款工具实测清单与三层工具栈 —— 更上层的工具栈视角
• 用 EmbeddingGemma 2 搭本地多模态检索 —— 把检索做成显式步骤的一手做法