一图总结五大智能体工作流图解五大智能体工作流
智能体都已经不陌生，关于它的工作流，你了解多少呢？
去年，Anthropic曾对这些智能体系统的工作流进行了总结。Aurimas Griciūna将关键内容整理在了一张图上，我们一起复习一下👇
一、提示链 (Prompt Chaining)
这种模式将复杂的任务分解成一系列步骤，并通过将它们串联起来解决问题，一个LLM调用的输出成为另一个LLM调用的输入。在大多数情况下，提示链以适度增加延迟为代价换取更高准确率。
适用场景：能够清晰拆分为固定子任务的场景。
示例：编写文档大纲，并核验大纲是否符合特定标准基于，最终大纲完成文档撰写。
二、路由 (Routing)
在这种模式中，输入会被分类，并被定向到专门的后续任务中。
适用场景：当工作流较为复杂，且特定拓扑路径通过专用工作流能更高效处理时，该方案尤为适用。若缺乏该机制，针对某类输入的优化反而可能影响其他输入的处理性能。
示例：将不同类型的客户服务查询（一般问题、退款请求、技术支持）引导到不同的下游流程、提示模版和处理工具中。
三、并行化 (Parallelization)
初始输入被拆分为多个查询，传递给LLM，然后聚合答案以产生最终答案。
适用场景：当速度很重要，并且被分解的子任务可以并行处理时非常有用。此外，当需要多个视角或多次尝试来获得更高置信度的结果时，并行化是有效的。
示例：从发票中提取多个项目，所有项目都可以并行进一步处理以提高速度。
四、编排器 (Orchestrator)
一个中央LLM动态地分解任务并委派给其他LLM或子工作流。
适用场景：无法预知需要哪些子任务的复杂场景。
示例：涉及从多个来源收集和分析可能相关信息的搜索任务。
五、评估器-优化器 (Evaluator-optimizer)
生成器LLM产生结果，然后评估器LLM对其进行评估，并在必要时提供反馈以进行进一步改进。
适用场景：对于需要持续改进的任务非常有用。
示例：文学翻译中存在着一些细微之处，翻译的LLM可能最初无法捕捉到，但评估的LLM可以提供有用的批评。
想查看更多内容？欢迎重温Anthropic去年年底发布的详细文章：
