王思腾工作室· 王思腾 · AI Agent · 12 分钟阅读
AI Agent 架构原理（二）：五种工作流模式与多智能体协作
同样是“让大模型干活”，写法可以从固定流水线到完全自主。本文逐个梳理 Prompt 链、路由、并行、编排者-工人、评估者-优化者五种工作流模式，以及自主 Agent 与多智能体架构该怎么选。
本系列第二篇。第一篇讲了 Agent 的本质（LLM + 工具 + 记忆 + ReAct 循环），这一篇讲如何把大模型编排成一个完整系统：从确定性的工作流，到自主 Agent，再到多智能体协作。
Anthropic 在《Building Effective Agents》里把生产环境常见的智能体系统归纳为几类可组合的模式。它们不是必须照搬的教条，而是一个“复杂度阶梯”——从最简单、最可控的方案起步，只有在确实能提升效果时才增加复杂度。
一、工作流 vs Agent：先做选型
回顾第一篇的区分：
- 工作流（Workflow）：流程路径由代码预先定义，LLM 在固定节点上完成子任务。优点是可预测、易调试、成本可控。
- Agent（自主智能体）：路径由模型动态决定，灵活但更贵、更难预测。
选型原则一句话：任务越确定，越用工作流；任务越开放，越需要 Agent。 下面从最简单的工作流讲起。
二、五种核心工作流模式
1. Prompt 链（Prompt Chaining）
把一个任务拆成顺序固定的多个步骤，前一步的输出喂给后一步，中间可以插入程序化的“关卡（gate）”做校验。
flowchart LR
In["输入"] --> S1["LLM 步骤 1"] --> G1{"校验关卡"} --> S2["LLM 步骤 2"] --> G2{"校验关卡"} --> Out["输出"]
G1 -- 不通过回退 --> S1
G2 -- 不通过回退 --> S2- 适用：任务能干净地拆成固定子任务，用延迟换准确率（每一步让模型做更简单的事）。
- 例子：先生成营销文案 → 检查是否合规 → 再翻译成多语言；先写大纲 → 校验大纲 → 再成文。
2. 路由（Routing）
先对输入分类，再分发到不同的专门处理流程。
flowchart LR
In["输入"] --> Cls["分类 LLM"]
Cls --> R1["退款流程<br/>专门提示词/工具"]
Cls --> R2["技术支持流程"]
Cls --> R3["常见问题<br/>小模型 / FAQ"]- 适用：输入有明显类别、且各类别最好分开处理的场景；关注点分离，各类别可用专门优化的提示词甚至不同大小的模型。
- 例子：客服分流（咨询/退款/投诉）；简单问题走便宜小模型、疑难问题走强模型。
3. 并行（Parallelization）
让多个 LLM 调用同时工作，再程序化地聚合结果。分两种形态：
- 分段（Sectioning）：把任务拆成相互独立的子任务并行跑。
- 投票（Voting）：同一任务跑多次，取多个视角/多次结果以提升置信度。
flowchart TB
In["输入"] --> Split["并行分发"]
Split --> P1["LLM 子任务 A"]
Split --> P2["LLM 子任务 B"]
Split --> P3["LLM 子任务 C"]
P1 --> Agg["聚合"]
P2 --> Agg
P3 --> Agg
Agg --> Out["输出"]- 适用：子任务可并行提速；或需要多个独立视角提高可靠性。
- 例子：
- 分段：一个实例回答用户、另一个实例并行做内容安全护栏审查（比让同一个调用既回答又审查效果好）；
- 投票：多个提示词分别从不同角度审查一段代码的漏洞，命中即标记；多个评判者投票以平衡误报/漏报。
4. 编排者-工人（Orchestrator–Workers）
一个中心 LLM（编排者）动态拆解任务，把子任务分派给多个工人 LLM，最后综合它们的结果。
flowchart TB
In["输入"] --> Orch["编排者 LLM<br/>动态拆解任务"]
Orch --> W1["工人 A"]
Orch --> W2["工人 B"]
Orch --> W3["工人 C"]
W1 --> Syn["编排者综合"]
W2 --> Syn
W3 --> Syn
Syn --> Out["输出"]- 与并行的关键区别：子任务不是预先定义的，而是编排者根据具体输入临时决定的。
- 适用：无法预测需要哪些子任务的复杂任务。
- 例子：编程修改——需要改几个文件、每个文件改什么，取决于任务本身；多源信息检索与综合分析。
5. 评估者-优化者（Evaluator–Optimizer）
一个 LLM 生成结果，另一个 LLM 评估并给出反馈，循环迭代直到达标。
flowchart TB
In["输入"] --> Gen["生成者 LLM"]
Gen --> Draft["草稿"]
Draft --> Eval["评估者 LLM"]
Eval --> Q{"达标？"}
Q -- 否：带反馈重做 --> Gen
Q -- 是 --> Out["输出"]- 适用：有明确评估标准、且迭代打磨能带来可衡量提升的任务。两个信号：① 人给反馈能明显改进结果；② LLM 自己能给出这类有效反馈。
- 例子：文学翻译（韵味需要反复打磨）；复杂搜索（评估者判断信息是否充分、是否需要再检索）。
模式速查
| 模式 | 流程 | 何时用 |
|---|---|---|
| Prompt 链 | 固定顺序、可插校验 | 任务可拆成固定步骤，追求准确率 |
| 路由 | 先分类再分流 | 输入类别清晰、需分开优化 |
| 并行 | 同时跑、再聚合 | 子任务独立可并行 / 需多视角投票 |
| 编排者-工人 | 中心动态拆派 | 子任务无法预先确定 |
| 评估者-优化者 | 生成+评估循环 | 有明确标准、迭代有价值 |
三、自主 Agent（Autonomous Agent）
当任务开放式、步骤数无法预估、无法写死路径时，就该让模型自己掌控流程。自主 Agent 就是第一篇讲的 ReAct 循环的完整形态：
flowchart TB
Start["用户指令"] --> Agent["Agent LLM<br/>规划 + 决策"]
Agent -- "工具调用" --> Env["工具 / 环境<br/>执行 + 返回"]
Env -- "观察反馈（地面真相）" --> Agent
Agent -- "每步用反馈校正，循环" --> Stop{"停止条件？"}
Stop -- "未完成" --> Agent
Stop -- "完成 / 达最大步数" --> End["输出结果"]
Stop -- "遇阻塞/检查点" --> Human["暂停 · 请求人类确认"]它的运行特征：
- 从指令或交互开始，任务明确后独立规划与执行；
- 每一步都从环境获取真实反馈（工具结果、代码执行、测试通过与否）来评估进展；
- 在检查点或遇到阻塞时暂停，向人类请求信息或判断（human-in-the-loop）；
- 有明确停止条件（任务完成，或最大迭代次数等），防止失控。
- 适用：开放式问题，需要模型连续多轮决策，且你对其决策有一定信任——尤其适合在受信任的环境里规模化任务。
- 典型例子：能解决 SWE-bench 真实 GitHub issue 的编程 Agent（可用自动化测试验证、用测试结果当反馈）；操作电脑完成任务的 computer-use Agent。
- 代价：成本更高，错误可能在多步中复合累积。因此必须在沙箱中充分测试，并设置护栏与人审检查点。
四、多智能体系统（Multi-Agent）
当单个 Agent 的上下文或能力不够时，可以让多个专职 Agent 协作。常见拓扑：
- 层级式（编排者-工人 / 主管-专家）：一个主管 Agent 负责任务拆解与调度，专家 Agent 各管一摊（如“检索员”“编码员”“测试员”）。这其实是编排者-工人模式在自主层面的延伸。
- 流水线式：多个 Agent 像产线一样顺序交接（研究 → 写作 → 审校）。
- 辩论/对抗式：多个 Agent 扮演不同角色互相质疑（如正方/反方、红队/蓝队），用对抗提升结论可靠性。
多智能体不是越多越好。Anthropic 与 OpenAI 的实践都指出：额外的 Agent 会带来延迟、成本和错误传播，只有当任务确实需要独立上下文、专职分工或互相制衡时才值得。很多时候一个设计良好的单 Agent + 好工具就够了。
五、工具生态：MCP
无论哪种模式，Agent 的能力边界都由工具决定。为避免“每个 Agent 都要为每个系统单独对接”，Anthropic 提出了 MCP（Model Context Protocol，模型上下文协议）：
- 它像 AI 应用的 “USB-C 接口”：用一套开放标准，把 AI 应用连接到外部数据源（文件、数据库）、工具（搜索、计算）和工作流；
- Agent 只需实现一次客户端，就能接入整个 MCP 服务器生态（日历、Notion、数据库、Figma、Blender 等）；
- Claude、ChatGPT、VS Code、Cursor 等已广泛支持，实现“一次构建、处处接入”。
MCP 让“工具”从零散的私有集成，变成了可复用的标准化能力，是多智能体/Agent 工程化的重要基础设施。
六、如何选型
一个实用的决策顺序：
- 单次调用 + 检索 + 示例能搞定吗？能就别做复杂系统。
- 步骤固定、可预测？→ 用工作流（链 / 路由 / 并行 / 编排 / 评估）。
- 步骤开放、需要动态决策？→ 用自主 Agent，配沙箱、护栏、停止条件与人审。
- 需要独立上下文、专职分工或对抗制衡？→ 再考虑多智能体，并警惕额外开销。
三条贯穿始终的原则（Anthropic 总结）：
- 简单性（Simplicity）：保持设计简单；
- 透明性（Transparency）：显式展示 Agent 的规划过程，便于调试与信任；
- 精心打磨 ACI（Agent–Computer Interface）：像投入 HCI 一样投入工具的文档、参数与测试——工具接口的质量往往比提示词更决定成败。
下一篇，我们进入工程落地：记忆、规划、可观测性、评估与护栏，谈谈怎么把一个 demo Agent 做成生产可用的系统。
参考资料：Anthropic《Building Effective Agents》、OpenAI《A Practical Guide to Building Agents》、Model Context Protocol 官方文档。
本文由 AI 辅助创作，所有内容仅供交流与参考。
