在企业环境中构建AI智能体系统时，最简单的工作流模式往往能带来最好的效果和最大的商业价值。Anthropic在去年年底总结了这些顶级模式，到现在依然非常实用。
1. 提示链模式（Prompt Chaining）
核心思想 ：将复杂任务分解成多个可管理的小块，通过链式连接来解决。前一个LLM调用的输出成为下一个的输入。
优势 ：这种分解方式通常能提高准确性，代价是增加了延迟。
实际应用 ：在高负载的生产环境中，提示链经常和其他模式组合使用，其他模式可以替换提示链中的某个LLM调用节点。
2. 路由模式（Routing）
核心思想 ：根据输入内容进行分类，选择最合适的处理路径。
适用场景 ：当工作流比较复杂，特定的拓扑路径可以用专门的工作流更高效地解决时。
典型例子 ：智能客服机器人需要判断——是用RAG来回答用户问题，还是执行用户要求的特定操作？
3. 并行化模式（Parallelization）
核心思想 ：将初始输入拆分成多个查询，并行传递给LLM处理，然后汇总结果得到最终答案。
适用场景 ：
- 当速度很重要，多个输入可以并行处理而不需要等待其他输出时
- 需要更高准确性的情况
实际例子 ：
-
例子1 ：智能RAG中的查询重写，生成多个不同查询进行多数投票，提高准确性
-
例子2 ：从发票中提取多个项目，可以并行处理以提高速度
4. 编排器模式（Orchestrator）
核心思想 ：编排器LLM动态分解任务，并委派给其他LLM或子工作流。
适用场景 ：当系统复杂且没有明确的硬编码拓扑路径来实现最终结果时。
典型例子 ：智能RAG中选择使用哪些数据集。
5. 评估-优化模式（Evaluator-Optimizer）
核心思想 ：生成器LLM产生结果，然后评估器LLM对结果进行评估，并在必要时提供改进反馈。
适用场景 ：需要持续优化的任务。
典型例子 ：深度研究智能体工作流，需要通过持续的网络搜索来优化报告段落。
实施建议
在考虑构建完整的智能体系统之前，应该先尝试用这些更简单的工作流模式来解决问题。这些基础模式往往能以更低的复杂度实现相同的效果，同时具有更好的可维护性和稳定性。
这些模式可以单独使用，也可以组合使用，关键是要根据具体的业务场景选择最适合的方案。
添加微信，备注” LLM “进入大模型技术交流群
如果你觉得这篇文章对你有帮助，别忘了点个赞、送个喜欢
/ 作者：致Great
/ 作者：欢迎转载，标注来源即可