在企业级 AI 工程化实践中，盲目追求全自动化的"通用 Agent"往往会导致不可控的幻觉与过高的 Token 成本。Anthropic 总结的五种 Agentic System Workflow Patterns 为我们提供了从确定性流程向动态自治演进的标准范式。
作为架构师，理解这些模式的底层逻辑是构建高性能、可扩展 AI 系统的关键。
1. 顺序链模式 (Prompt Chaining)
核心逻辑： 将复杂的单次推理任务解构为线性的有向无环图 (DAG)。
-
技术原理： 利用 LLM 的上下文窗口，将前序节点的
Output作为后序节点的Input。通过原子化的任务划分，降低单次 Inference 的认知负载。 -
工程考量： * 优点： 显著提升复杂逻辑（如代码审查、长文摘要）的准确率。
- **代价：** 线性叠加的延迟 (Latency) 以及错误累积效应 (Error Propagation)。
- 典型场景： 自动化 CI/CD 中的安全漏洞扫描与修复建议生成。
{#section path-to-node="8"}
2. 路由分发模式 (Routing)
核心逻辑： 引入分类器 (Classifier) 作为网关，实现请求的动态分发。
-
技术原理： 根据 Input 的语义特征，将其路由至预定义的特定下游子任务。
-
工程考量： * 专家模型 (MoE) 思想： 不同的分支可以挂载不同的 System Prompt，甚至调用不同参数规模的模型（如 GPT-4o 处理复杂逻辑，GPT-4o-mini 处理常规分类）。
-
典型场景： 智能客服系统——判断用户意图是执行 RAG 检索 还是触发 Function Calling 修改订单。
{#section-1 path-to-node="11"}
3. 并行处理模式 (Parallelization)
核心逻辑： 利用分布式计算思想，对独立子任务进行水平扩展。
-
技术原理： 包含两种子模式：
-
Sectioning： 将任务拆解为互不干扰的部分并行处理（如发票中不同类目信息的并发提取）。
- **Voting：** 针对同一问题运行多次独立采样，通过多数投票 (Majority Voting) 提升最终输出的鲁棒性。
- 工程考量： 极大优化了系统吞吐量，但需注意 API 并发频率限制 (Rate Limits) 及聚合逻辑的复杂度。
{#section-2 path-to-node="14"}
4. 编排器模式 (Orchestrator)
核心逻辑： 从"硬编码路由"向"动态规划"的跨越。
-
技术原理： 编排器 (Orchestrator) 模型负责全局任务拆解，并动态调用子节点 (Workers) 或子流。它具备自顶向下的感知能力。
-
工程考量： 适用于路径不确定的复杂场景。由于编排器需要持续监控子节点的执行状态，其架构设计的核心在于状态机 (State Machine) 的稳定性。
-
典型场景： 复杂的多源异构数据分析。
{#section-3 path-to-node="17"}
5. 评估-优化循环模式 (Evaluator-Optimizer)
核心逻辑： 引入反馈闭环 (Feedback Loop)，实现输出质量的迭代增强。
-
技术原理： 包含 Generator 和 Evaluator 两个角色。Evaluator 基于特定准则 (Rubrics) 对 Generator 的输出进行批判性评估，直到满足终止条件。
-
工程考量： 这是构建"类人类"深度思考能力的基石，类似于 DeepSeek-R1 或 OpenAI o1 的内部逻辑增强。
-
典型场景： 深度调研报告生成、代码重构优化。
{#section-4 path-to-node="21"}
💡 架构建议：从 Workflow 到 Agentic
在实际生产环境中，不要过早引入全自主 Agent。建议遵循以下演进路径：
-
Workflow First： 优先使用 Prompt Chaining 和 Routing 构建可预测的静态工作流。
-
State Management： 引入持久化存储（如 Redis/PostgreSQL）管理长对话状态。
-
Human-in-the-loop： 在 Evaluator 环节引入人工介入，确保关键业务的安全性。
底层感悟： AI 时代的软件工程，本质上是将"确定的代码逻辑"与"概率性的语义推理"进行最优组合。
