AI Agents入门教程之五种智能体工作流设计模式

最新推荐文章于 2025-05-14 14:43:48 发布

小天才学习机打游戏

最新推荐文章于 2025-05-14 14:43:48 发布

阅读量683

点赞数 8

文章标签：人工智能设计模式算法 spring 架构深度学习知识图谱

本文链接：https://blog.csdn.net/m0_59164520/article/details/147916371

版权

01.引言

AI智能体不仅仅是花哨的聊天机器人——它们更像是能自主"思考"和行动的智能助手，能够协调多个步骤或工具来完成目标。在实际应用中，智能体通常结合大语言模型（LLM）的推理能力与外部工具（数据库、API等）来处理复杂任务。

Anthropic将这类架构统称为智能体系统，其核心区别在于：工作流沿预定义代码路径运行，而真正的智能体允许LLM动态决定后续动作。随着越来越多产品依赖LLM进行多步推理，运用经典设计模式来组织这些步骤变得至关重要。正如软件设计模式那样，这些AI工作流模式提供了将复杂任务分解为可管理模块的蓝图，使系统更易于构建、调试和扩展。

以下是确保智能体工作流畅运行的五大核心模式，每种模式都代表编排LLM调用与工具使用的典型方法。下文将逐一深入解析这些模式。

02.Prompt Chaining

提示链（Prompt Chaining）正如其名：将一系列提示串联起来，前一个LLM调用的输出成为下一个提示的输入。换句话说，你需要把任务分解成一个固定的、循序渐进的流程。

例如，要撰写一份报告，第一个提示可能负责生成大纲，第二个填充细节，最后一个优化语言表达。

关键在于，每个步骤都有明确分工，使得每次LLM查询更简单、更精准。正如某指南所述：“提示链将任务分解为一系列步骤，每个LLM调用都处理前一个步骤的输出。”

这种模式就像流水线或烹饪食谱：每个工位（或厨师）都会对产品进行加工，然后传递给下一步。虽然速度较慢（需要更多轮LLM调用），但能显著提升质量。

当任务具有明确的顺序（例如，“提纲→草稿→编辑”）或者你希望通过逐步处理以在速度和准确性之间进行权衡时，可以使用提示链模式。在实际应用中，许多LLM框架都支持轻松实现提示链：只需循环执行每个步骤，用前一个步骤的答案作为下一步的输入，最终生成输出。

适用场景：具有明确、有序步骤的任务（例如，多部分问答、结构化分析）。

‍

03.Routing‍

路由模式（Routing）的核心在于智能分配：通过LLM（或简单分类器）分析输入内容，将其分类并引导至专属子任务或智能体处理，而非使用单一通用提示。

例如，客户邮件可能根据内容被路由至「退款处理」智能体或「技术支持」智能体，使每个智能体专注于特定领域，从而提升专业度。

正如Anthropic所述：“路由机制对输入进行分类，并将其定向到专门的后续任务”，这种关注点分离的设计能避免单一提示试图处理所有问题。

可将路由想象成一位友善的前台或客服总机：“您需要什么帮助？”——随后将您转接至对应部门。

若缺乏路由机制，开发者可能将所有规则塞进单一提示，试图一次性处理所有可能的输入，结果往往导致混乱或"样样通、样样松"的效果。而路由模式能让每个分支流程得到针对性优化。

**适用场景：**当你面对不同类别的请求，需要采取非常不同的处理方式（例如，文本摘要、翻译、分类等）。

04.Parallelization

并行化（Parallelization）使智能体能同时执行多项任务并合并结果，主要体现为两种形式：

分块处理（Sectioning）：将任务拆分为可并行执行的独立子任务。例如同时分析产品的不同功能特性。
投票表决（Voting）：多次运行相同提示（可调整参数或使用不同模型）获得多样答案后汇总（如采用多数决或集成学习）。

正如LangChain开发者所述：“LLM有时能同步处理任务，并通过编程方式聚合输出结果”。

换言之，同时发起多个LLM调用后，通过规则或另一个模型整合输出。这种方式能显著提升速度与鲁棒性：并行执行节省时间（无需等待长链条任务依次完成），而投票机制可增强可靠性（若五个模型中有三个达成共识，答案大概率正确）。

例如，假设你需要写一个关于同一主题的创意故事、一首搞笑诗和一份事实摘要。你可以同时启动三个LLM实例——一个写故事，一个写诗，一个写摘要——然后将它们的输出拼接成一个完整的响应。

适用场景：适合需要处理大型或时间敏感任务、或者希望从多个角度获得不同观点的情况。

05.Orchestrator–Worker

指挥者-工作者模式（Orchestrator–Worker）的核心在于动态任务委派：

中央指挥者（由LLM驱动）接收输入后实时分解任务
工作者智能体（多个LLM实例）并行处理细分任务
指挥者最终整合各模块输出形成完整解决方案

正如Anthropic所定义：“中央LLM动态分解任务、分配给工作者LLM执行，并合成最终结果”。这种模式特别适用于无法预判完整工作流的场景。

例如，在一个编码智能体中，指挥者可能会分析一份bug报告，并决定需要修改三个不同的文件——直到阅读输入之前，它都不知道这些子任务。然后，它将每个文件的任务发送给不同的代码编写LLM，等待它们的修补方案，最后合并或审核它们。

一个日常的比喻是厨房里的主厨：他们根据订单（任务）动态分配冷盘/热厨/甜点工位（子任务），然后品尝或组合所有的菜肴。或者可以想象成项目经理，指派任务给团队成员，并收集进展情况。关键在于适应性——每个新输入都可能产生不同的子任务组合。

适用场景：适合处理那些子任务依赖具体问题的复杂任务，例如多文件代码任务、综合报告等。

06.Evaluator–Optimizer

评估器-优化器（有时称为generator–critic 循环）将两个智能体配对工作：一个负责生成响应，另一个负责评估并提出改进建议。

本质上这是一个反馈循环：生成器大语言模型写出答案，评估器大语言模型进行评分或批评（指出问题或打分），随后生成器根据反馈修改输出。该循环可重复进行，直至答案达到质量标准。

这个过程类似于学生写作文、教师批改、学生根据评语重写的流程。正如某描述所言：“一个大语言模型调用生成响应，另一个则在循环中持续提供评估和反馈”。

例如：首先生成初始代码方案，随后交由自动化"审查器"检查代码风格或正确性；若评估器发现问题，会指导智能体如何修正，智能体则进行新一轮尝试。

该模式能显著提升可靠性和精细度，特别适用于存在明确质量标准的场景（语法正确性、事实准确性、测试通过率）。每一轮批评都推动输出更接近目标。

适用场景：需要迭代优化的任务，例如创意写作或有精确要求的代码生成。

07.为什么需要学习这些模式？

理解这些模式绝非纸上谈兵——它对构建可靠、可维护的AI系统至关重要。

产品团队通过选择正确模式（或组合运用），能让复杂的智能体工作流既清晰又健壮。

模块化模式意味着大家可以单独测试优化某个环节，而不会影响整体系统。这些模式还能帮助控制延迟和成本：大家可以自主决定何时并行处理或拆分任务，何时采用顺序链式执行。值得庆幸的是，现代框架正在不断涌现以应对这种复杂性。

例如，开发者常用LangChain（及其LangGraph扩展）、CrewAI等平台快速搭建智能体应用原型。微软开源的AutoGen库则专门针对多智能体工作流设计。这些工具提供了任务链、路由选择、流程编排等基础模块，让你能专注于业务逻辑而非底层实现。

总之，智能体工作流正处在AI产品设计的前沿。产品经理和工程师若能识别并应用这五大模式，就能设计出不仅更智能、而且具备扩展性和迭代便利性的系统。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述