[特殊字符] 五大 Workflow 模式详解

目录

[Workflow 模式总览](#Workflow 模式总览)

[模式 1:Prompt Chain(提示链)](#模式 1:Prompt Chain(提示链))

[模式 2:Routing(路由)](#模式 2:Routing(路由))

[模式 3:Parallelization(并行化)](#模式 3:Parallelization(并行化))

[形式 A:分段并行(Sectioning)](#形式 A:分段并行(Sectioning))

[形式 B:投票并行(Voting)](#形式 B:投票并行(Voting))

[模式 4:Orchestrator-Workers(编排者-工作者)](#模式 4:Orchestrator-Workers(编排者-工作者))

[模式 5:Evaluator-Optimizer(评估者-优化者)](#模式 5:Evaluator-Optimizer(评估者-优化者))

五种模式对比总结

本章要点


这是本课程的核心章节------掌握这五种模式,你就掌握了长任务拆解的全部基础范式

Workflow 模式总览

以下五种模式来自 Anthropic 工程实践,是目前业界共识的长任务拆解基础范式。

图 1:五大 Workflow 模式总览------复杂度从左到右递增,仅在前一种不够用时才考虑更复杂的

模式 1:Prompt Chain(提示链)

核心思想 :将长任务分解为一系列顺序执行的子任务 ,每个 LLM 调用只处理前一步的输出,每步之后都有一个 Gate(检查点) 验证输出质量。

输入 → LLM1:子任务 A → Gate 检查 → LLM2:子任务 B → Gate 检查 → LLM3:子任务 C → Gate 检查 → 输出

适用场景:

  • 任务能干净地分解为固定子步骤
  • 每步输出可以独立验证
  • 错误传播代价高,不能容忍中间步骤出错

典型案例

核心要点:Gate(检查点)是 Prompt Chain 的灵魂!没有 Gate 的链式调用 = "把错误一步步放大"。Gate 的实现可以是:规则校验、LLM 评估器、自动化测试或人工审核。


模式 2:Routing(路由)


核心思想 :先对输入分类,再路由到专门的处理流程。

复制代码
输入 → [分类器 LLM] → 类型 A 处理器 / 类型 B 处理器 / 类型 C 处理器

成本优化价值 :路由是成本优化的重要手段 。将简单问题路由到小模型,复杂问题路由到大模型,实测可降低 30--50% 成本。

python 复制代码
def routing_workflow(user_input):
    task_type = classify_with_llm(user_input, model="gpt-4o-mini")
    if task_type == "code_generation":
        return handle_code(user_input, model="gpt-4o")
    elif task_type == "simple_qa":
        return handle_qa(user_input, model="gpt-4o-mini")

模式 3:Parallelization(并行化)


核心思想 :多个独立子任务同时执行,最后聚合结果。

形式 A:分段并行(Sectioning)

将任务拆分为独立部分,分别处理,最后合并。例:10 章文档分 3 组并行翻译。

形式 B:投票并行(Voting)

同一任务执行多次(不同 temperature),取最优结果或多数表决。例:代码审查执行 3 次取交集。

成本注意 :并行化会成倍增加 token 消耗,只在质量提升明显超过成本增加时使用。


模式 4:Orchestrator-Workers(编排者-工作者)


核心思想 :由一个编排者 LLM 动态分解任务,分配给多个工作者 LLM 执行,最后汇总。

与并行化的关键区别 :子任务不是预先定义的,而是编排者根据输入动态决定的。

复制代码
用户任务 → [编排者 LLM:动态分解] → 工作者1 / 工作者2 / 工作者N → [编排者汇总] → 输出

适用场景:

  • 无法预测需要修改多少个文件(代码重构典型)
  • 需要从多个来源动态收集信息
  • 子任务数量不固定

推荐框架:微软 AutoGen(原生支持)或 LangGraph(动态图)。


模式 5:Evaluator-Optimizer(评估者-优化者)


核心思想 :一个 LLM 生成结果 ,另一个 LLM 评估并提供反馈,形成迭代优化闭环。

复制代码
任务 → [生成者:草稿] → [评估者:批评+建议] → [生成者:改进] → ... → 最终输出

终止条件设计(否则可能无限循环):

python 复制代码
max_iterations = 5
for i in range(max_iterations):
    draft = generator_llm(task, prev_feedback)
    evaluation = evaluator_llm(draft, criteria)
    if evaluation["passed"]:
        return draft
    if i == max_iterations - 1:
        return draft
    prev_feedback = evaluation["suggestions"]

五种模式对比总结


选型建议:从上到下选,只在更简单模式不够用时才考虑更复杂的模式。这是 Anthropic 和 AWS 的共同建议。

本章要点

五大 Workflow 模式是长任务拆解的基础范式------Prompt Chain 适合固定步骤任务,Routing 适合分类处理,Parallelization 适合并行加速,Orchestrator-Workers 适合动态调度,Evaluator-Optimizer 适合迭代优化。选型原则:从简单开始,只在必要时增加复杂度。

相关推荐
火山引擎开发者社区2 分钟前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔32 分钟前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区36 分钟前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
starzy199042 分钟前
深入理解Scala隐式参数:上下文流转
开发语言·python·scala
努力的MM1231 小时前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI1 小时前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能
孟健1 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程
wuyk5552 小时前
Spider-第16讲-线程池与竞态问题
大数据·爬虫·python·elasticsearch·搜索引擎
stormzhangV2 小时前
Google 重返第一梯队
人工智能·google·aigc
十有八七2 小时前
手搓 Agent(五):学会翻书——RAG,先查资料再回答
前端·人工智能·后端