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）)
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。
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
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。
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。
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
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。