[!info] related notes

• 所属 MOC: AI MOC
• 前置概念: Agentic Systems
• 并列概念: Prompt Chaining, LLM Task Routing, Orchestrator-Workers
• 易混淆概念:
• 关系笔记: Agentic Workflow Patterns

LLM Parallelization

一句话定义

LLM parallelization 是把任务拆成可并行的多个 LLM 调用，再用程序汇总结果，以换取更高速度或更高置信度。

核心机制 / 工作原理

它常见有两种形式：

• sectioning：把任务拆成彼此独立的子块并行处理
• voting：让多个模型实例做同一件事，再按投票或规则汇总

最小例子 / 最小场景

sectioning

• 一个模型负责核心回答
• 另一个模型并行检查安全、合规或越权请求

voting

• 多个 prompt 并行审查同一段代码
• 如果多个审查器都指出漏洞，再提升告警等级

边界与易混淆点

• 可并行化的前提是子任务之间相互独立，或至少弱耦合。
• voting 能提升置信度，但也会明显增加成本。
• 如果子任务本质上还需要动态拆解，往往更像 Orchestrator-Workers，而不是普通 parallelization。

Related notes

• AI MOC