Agentic Workflow Patterns
把 prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer 和 autonomous agents 放在同一张图里比较，帮助判断什么时候该用哪种模式。
#tech / ai
#type / synthesis
#status / growing
[!info] related notes
- 所属 MOC: Agent MOC, AI MOC
- 相关概念: Agent, Agentic Systems, Prompt Chaining, LLM Task Routing, LLM Parallelization, Orchestrator-Workers, Evaluator-Optimizer
- 易混淆概念: AI Agent 创建实践, Orchestration
- 相关资源: Claude AI
Agentic Workflow Patterns
范围
这篇关系笔记讨论的不是“agent 要不要接工具”，而是当你已经决定做 multi-step system 后，应该选哪种工作流模式。
为什么要放在一起理解
这些模式长得都像“多次调用 LLM”，但它们解决的问题完全不同：
- 有的重点是把任务拆小
- 有的重点是分类路由
- 有的重点是并行提高速度或置信度
- 有的重点是动态拆任务
- 有的重点是迭代打磨结果
- agent 则是把决策权进一步交给模型
如果不放在一起比较，很容易为了“看起来高级”过度上复杂结构。
依赖路径 / 调用链 / 演进链
可以按复杂度和灵活性大致看成一条升级链：
越往后，灵活性越高，但成本、延迟和调试难度通常也越高。
对比与易混淆点
| 模式 | 核心问题 | 适合场景 | 主要代价 |
|---|---|---|---|
| Prompt chaining | 任务能否拆成固定步骤 | 大纲 -> 正文、抽取 -> 整理 | 延迟上升 |
| Routing | 输入是否该走不同路径 | 客服分类、模型分流 | 分类错误会放大 |
| Parallelization | 是否能并行提速或提置信度 | 多维评审、guardrails、voting | 成本上升 |
| Orchestrator-workers | 子任务是否事先难写死 | coding、复杂 research | 编排更复杂 |
| Evaluator-optimizer | 是否值得反复打磨 | 翻译、复杂写作、深度搜索 | loop 成本 |
| Agent | 是否需要模型持续决定下一步 | open-ended coding、computer use | 成本高、错误可叠加 |
几个经验判断：
- 如果单次调用加检索就够，不要急着升级成 workflow
- 如果步骤清晰，用 workflow 往往比 agent 更可控
- 如果路径不可预测、工具反馈很多，agent 才真正有优势
Appendix 里的落地例子为什么典型
- Customer Support Agents 同时具备会话、工具调用、明确完成标准和人工审批点
- Coding Agents 则因为测试可验证、环境反馈强、任务结构清楚而特别适合 agent 化