本文回顾了智能体系统中的常见模式。在描述这些系统时，将工作流（workflows）与智能体（Agent）区分开来是有帮助的。Anthropic 的文章《Building Effective Agents》给出了非常直观的解释：
工作流是通过预定义的代码路径来编排LLM和工具的系统。
智能体则是LLM动态指挥自身流程和工具使用的系统，它们在执行任务的过程中保持自主控制。
以下是一个简单的方式来可视化工作流和智能体的差异：
-
状态持久化 -
流式输出 -
调试支持 -
部署支持
提示链（Prompt Chaining）
在提示链中，每次 LLM 调用都会处理上一次调用的输出。
提示链将一个任务分解为一系列步骤，每个 LLM 调用处理上一个步骤的输出。你可以在任意中间步骤加入程序性检查（参见下图中的 “gate”），以确保整个过程仍处于正确轨道上。
何时使用这种工作流：
当一个任务可以被清晰、稳定地分解为若干固定子任务时，这种工作流非常理想。它的核心思想是通过将每次 LLM 调用简化为更小的任务，来在牺牲一定延迟的前提下换取更高的准确率。
并行处理（Parallelization）
在并行处理中，多个 LLM 会同时处理同一个任务，并通过程序将它们的输出聚合起来。这种工作流称为“并行处理”，主要有两种常见形式：
-
分段（Sectioning）：将一个任务拆分成若干个相互独立的子任务，并行执行。
-
投票（Voting）：对同一个任务执行多次，从而获得多样化的输出结果。
适用场景：
-
当任务可以拆分为可并行执行的子任务以提高速度，或为了获得更有信心的结果而需要多角度尝试时，并行处理非常有效。
-
对于涉及多个维度或因素的复杂任务，通常效果更好的是：让每个维度由单独的一次 LLM 调用来处理，这样可以让每次调用专注于特定方面。
路由（Routing）
路由会对输入进行分类，并将其导向一个专门的后续任务。这种工作流的优势在于能够实现关注点的分离，从而构建出更具针对性的提示词（prompt）。如果不使用这种工作流，为某一类输入进行优化可能会影响其他类型输入的表现。
何时使用这种工作流：
当任务较为复杂，且存在可以独立处理的不同类别时，路由是一个非常有效的选择。只要输入可以被准确分类（无论是由 LLM 还是传统的分类模型/算法完成），就可以使用这种工作流来提高整体处理效率和准确性。
在协调者-工作者模式的工作流中，协调者会将一个任务拆解，并将每个子任务分配给工作者来执行。
何时使用这种工作流：
这种工作流非常适用于无法预先确定子任务的复杂任务（例如编程任务中，涉及到的文件数量及其修改方式往往取决于具体任务）。虽然它在结构上与“并行处理”类似，但核心区别在于灵活性：子任务并非预先定义，而是由协调者根据特定输入动态确定的。
由于协调者-工作者工作流非常常见，LangGraph 提供了 Send API 来支持这种模式。它允许你动态创建 worker 节点，并为每个 worker 发送特定的输入。每个 worker 都有自己的状态，而所有 worker 的输出会被写入一个共享状态键（shared state key），该键可供协调者图（orchestrator graph）访问。这使得协调者能够访问所有 worker 的输出，并将它们综合生成最终的结果。正如下方所示，我们会遍历一个 section 列表，并通过 Send 将每一个 section 发送给 worker 节点。
在 Evaluator-Optimizer 工作流中，一个 LLM 负责生成回应，另一个则提供评估和反馈，二者循环往复。
适用场景：
这种工作流特别适合在具备明确评估标准、且通过反复改进可以带来明显提升的任务中使用。判断该工作流是否适配的两个标志是：
1. LLM 的输出在接受人类清晰反馈后能够显著改进；
2. LLM 本身也具备提供此类反馈的能力。
这种方式类似于一个人类写作者在打磨文稿过程中所进行的反复修订过程。
智能体（Agent）
Agent 通常是通过 LLM 基于环境反馈进行循环的工具调用（tool-calling）来执行任务的。
Agent 可以处理复杂任务，但它们的实现方式通常很直接。本质上，它们就是 LLM 在一个循环中根据环境反馈使用工具。因此，合理设计工具集及其文档是至关重要的。
什么时候使用 Agent：
当你面对的问题是开放式的，难以预先确定需要的步骤数，或者无法硬编码一条固定路径时，就适合使用 Agent。
此时，LLM 可能需要运行多轮决策过程，你也需要对它的自主决策能力具备一定信任。Agent 的自主性让它非常适合在受信任的环境中扩展任务规模。
（文：PyTorch研习社）