前置知识: AI Agent

Anthropic工作流模式

9 minIntermediate

Schluntz和Zhang（Anthropic，2024年12月）区分了工作流（预定义路径）和Agent（动态工具使用）。五种工作流模式覆盖了大多数情况。从直接API调用开始。只在步骤无法预测时才添加Agent。

Anthropic工作流模式：简单胜于复杂

Schluntz和Zhang（Anthropic，2024年12月）区分了工作流（预定义路径）和Agent（动态工具使用）。五种工作流模式覆盖了大多数情况。从直接API调用开始。只在步骤无法预测时才添加Agent。

类型： 学习 + 构建 语言： Python (stdlib) 前置条件： Phase 14 · 01 (Agent循环) 时间： ~60分钟

学习目标

  • 说出Anthropic的五种工作流模式：提示链、路由、并行化、编排器-工作者、评估器-优化器。
  • 解释Agent与工作流的区别以及各自的工程成本。
  • 识别何时选择工作流而非Agent（反之亦然）。
  • 在stdlib中针对脚本LLM实现所有五种模式。

问题所在

团队为只需要单次函数调用的问题选择了多Agent框架。成本是真实的：框架添加了遮蔽提示、隐藏控制流、引入过早复杂性的层。Schluntz和Zhang 2024年12月的帖子是被引用最多的行业反弹：从简单开始，只在复杂性证明其成本时才添加。

核心概念

工作流 vs Agent

  • 工作流。 通过预定义代码路径编排的LLM和工具。工程师拥有图。
  • Agent。 LLM动态指导自己的工具并采取自己的步骤。模型拥有图。

两者都有其位置。工作流更便宜、更快、更容易调试。Agent解锁开放式问题但使失败模式更难推理。

增强LLM

所有五种模式的基础：一个LLM连接三种能力——搜索（检索）、工具（动作）、记忆（持久化）。任何API调用都可以使用这些。

五种模式

  1. 提示链。 调用1的输出是调用2的输入。当任务有清晰的线性分解时使用。步骤之间可选程序化门。

  2. 路由。 分类器LLM选择调用哪个下游LLM或工具。当类别不同的输入需要不同处理时使用（一级支持 vs 退款 vs Bug vs 销售）。

  3. 并行化。 同时运行N个LLM调用，聚合结果。两种形式：分段（不同块）和投票（相同提示，N次运行，多数/综合）。

  4. 编排器-工作者。 编排器LLM动态决定运行哪些工作者（也是LLM）并综合它们的输出。类似于Agent循环但编排器不会无限循环。

  5. 评估器-优化器。 一个LLM提出答案，另一个LLM评估它。迭代直到评估器通过。这是Self-Refine（第05课）的泛化。

工作流胜过Agent的地方

  • 可预测任务。 如果你能枚举步骤，你应该枚举。
  • 成本约束任务。 工作流有有界的步骤数；Agent可能螺旋。
  • 合规约束任务。 审计员想读图，而不是从轨迹推断。

Agent胜过工作流的地方

  • 开放式研究。 当下一步取决于上一步返回了什么。
  • 变长任务。 几分钟到几小时的工作，步骤数未知。
  • 新领域。 当你还不知道正确的工作流——先探索，后编纂。

上下文工程伴侣

“Effective context engineering for AI agents”（Anthropic 2025）形式化了相邻学科：200k窗口是预算，不是容器。包含什么、何时压缩、何时让上下文增长。

构建它

code/main.py针对ScriptedLLM实现所有五种工作流模式：

  • prompt_chain(input, steps) — 顺序。
  • route(input, classifier, handlers) — 分类 + 分发。
  • parallel_vote(prompt, n, aggregator) — N次运行，聚合。
  • orchestrator_workers(task, workers) — 编排器选择工作者。
  • evaluator_optimizer(task, proposer, evaluator, max_iter) — 循环直到通过。

运行：

python3 code/main.py

每种模式打印其跟踪。每种模式的代码行数约10-15行；框架的成本以千计。

使用它

  • 大多数任务使用直接API调用。
  • 仅当模式真正需要持久状态（LangGraph）、Actor模型并发（AutoGen v0.4）或角色模板（CrewAI）时才使用框架。
  • 当你想要Claude Code线束形状而不重建它时，使用Claude Agent SDK。

发布它

outputs/skill-workflow-picker.md为给定任务描述选择正确的模式，包括决策理由和在工作流不够时重构为Agent的路径。

练习

  1. 用置信度阈值实现路由。低于阈值 -> 升级给人类。一级支持用例的阈值在哪里？
  2. 给parallel_vote添加超时。当一个调用挂起时会发生什么？你如何用缺失投票聚合？
  3. 将evaluator_optimizer变成bandit：跨迭代保留top-2输出，这样晚期的好结果不会被晚期的坏结果覆盖。
  4. 将提示链与路由组合：路由器选择三条链之一。测量token成本与单一大提示替代方案的对比。
  5. 选择你的一个生产功能。画工作流图。计算步骤。Agent在这里真的更好吗？

关键术语

术语人们常说的实际含义
工作流”预定义流程”工程师拥有的LLM和工具调用图
Agent”自主AI”模型拥有的图；动态工具指导
增强LLM”带工具的LLM”LLM + 搜索 + 工具 + 记忆；原子单元
提示链”顺序调用”调用N的输出是调用N+1的输入
路由”分类器分发”选择哪个链/模型处理输入
并行化”扇出”N个并发调用；按分段或投票聚合
编排器-工作者”分发Agent”编排器LLM动态选择专家LLM
评估器-优化器”提议者 + 评判者”迭代直到评估器通过；Self-Refine的泛化

延伸阅读