跳到主要内容

五种 workflow 模式

确定性编排的五种结构各适合什么场景，以及何时才该升级到自主 agent

核心要点：

  • workflow 路径由代码预定，可预测可定位
  • 串链：串行子步骤，可插 gate 阻断
  • 路由：分类后分发到专门链
  • 并行：分段（独立子任务）或投票（同任务多跑）
  • 编排者-工人 / 评估-优化 应对动态与迭代

本文讲确定性 workflow 的五种模式。自主 agent loop 与"何时该用 agent 而非 workflow"见 02-单agent-loop。

确定性 workflow 和 agent loop 有什么不同？​

核心问题：同样是多步骤，workflow 凭什么"可预测"?

workflow 的控制流由代码预先编排，路径固定、失败可定位[1]。与 02-单agent-loop 中 LLM 掌控制流相反，workflow 把"下一步走哪"写进代码，只让 LLM 完成每个节点内的具体工作。

这一确定性是 workflow 的核心价值：路径可预测、出错能定位到具体节点、成本可估算。框架如 LangGraph 把 workflow 具象成有向图 DSL（节点 + 边 + 编译），静态结构支持检查与 checkpoint。下面五种模式是 Anthropic 归纳的可复用 workflow 骨架，结构对比见 。

图 4.3: 五种 workflow 模式的结构对比：串链、路由、并行三种路径完全固定，编排者—工人与评估—优化引入有限动态性

串链和路由怎么用？​

核心问题：最基础的两种 workflow 长什么样？

串链把任务拆成顺序子步骤，路由把输入分发到专门处理链[1]。两者是最常用的入门模式。

  • prompt chaining（串链）：每步输出喂入下一步，可在步骤间插入 gate 检查、阻断错误向后传播。适合能清晰拆成固定顺序子任务的场景（如"先生成大纲、再写正文"）。
  • routing（路由）：用一个分类器把输入分到不同的专门化链，并按复杂度匹配模型成本（简单问题走 Haiku，复杂走 Opus）。适合输入类别明确、各类处理方式不同的场景。

可借鉴的判断：任务步骤固定就串链，输入类型分化就路由。

并行有哪两种形态？​

核心问题：让多个 LLM 调用同时跑，目的是什么？

并行分两种：分段（独立子任务并发）和投票（同任务多次独立运行）[1]。两者目的不同。

  • 分段(sectioning)：把任务切成互相独立的子任务并发执行，延迟由最慢分支决定。适合子任务彼此无依赖（如同时翻译多段）。
  • 投票(voting)：同一任务跑多次，聚合结果提升可靠性或覆盖率（如多次跑找 bug，取并集）。适合单次结果不够可靠的场景。

并行的收益是墙钟时间或质量，代价是 token 翻倍。这与多 agent fan-out 相关但更轻——并行是同一编排内的并发调用，不涉及独立 agent 上下文(见 03-多agent-fanout)。

编排者-工人和评估-优化解决什么？​

核心问题：子任务结构事先不知道、或一次做不好，该用哪种模式？

编排者-工人应对运行时才确定的子任务，评估-优化应对需迭代打磨的输出[1]。两者比前三种更动态。

  • orchestrator-workers（编排者-工人）：中央 LLM 动态分解任务并分发给 worker，子任务的数量和结构在运行时决定（区别于固定的并行分段）。它的并发 fan-out 细节见 03-多agent-fanout。
  • evaluator-optimizer（评估-优化）：生成与评估交替迭代，一个 LLM 产出、另一个按标准评判并要求改进，直到达标。需要明确的评估标准和迭代上限，否则会无限循环。

这两种模式引入了有限的动态性，但仍由代码框定边界——不同于完全交给 LLM 的自主 agent。

怎么选模式？​

核心问题：五种模式摆在面前，从哪个开始？

从最简单的串链起步，按任务特征逐步升级，能不引入动态性就不引入[1]。Anthropic 的核心建议贯穿始终：优先选最简方案。

升级路径可概括为：固定顺序→串链；输入分化→路由；子任务独立→并行分段；结果不可靠→投票；子任务结构未知→编排者-工人；输出需打磨→评估-优化；以上都不够开放→才上自主 agent(见 02-单agent-loop)。复杂度只在确有必要时加。

Takeaway​

知识点核心结论
workflow 本质控制流由代码预定，路径可预测、失败可定位
串链 / 路由固定顺序用串链；输入分化用路由 + 按复杂度配模型
并行分段（独立子任务）/ 投票（同任务多跑），代价 token 翻倍
编排者-工人子任务运行时动态分解，fan-out 细节见 03
评估-优化生成-评判迭代，需明确标准 + 迭代上限
选型从最简起步，复杂度按需加，能不上 agent 就不上

参考资料​

  1. Anthropic. Building effective agents. 2024. https://www.anthropic.com/engineering/building-effective-agents

延伸阅读​