9.1 设计模式：从 Workflow 到 Agent
最成功的系统往往不是用最复杂的框架构建的，而是使用了简单、可组合的模式。
在构建 LLM 应用时，常面临一个核心选择：谁来负责编排多个智能体和任务？
根据编排方式的不同，可将系统划分为两种典型的架构：
静态编排：
核心: 代码主导 (Code-driven)。开发者预先定义好执行路径（如
if/else,loop）。LLM 可以参与决策，但仅限于在预定义的路径中进行选择，无法改变系统预设的控制流拓扑。
特点: 确定性强，路径固定，性能可控。
自主编排：
核心: 模型主导 (Model-driven)。系统给予 LLM 目标和工具，由 LLM 自主决定执行步骤。
模型根据环境反馈动态调整策略，决定"下一步做什么"。
特点: 适应性强，能应对未知情况，但不可控性增加。
[!NOTE] 实际上，静态编排和自主编排并非对立，实践中往往是两者的结合。越接近自主编排，系统越灵活，但可靠性越难保证；越接近静态编排，系统越稳定，但泛化能力越弱。
本节将详细解析这两种架构下的核心设计模式。
9.1.1 静态编排：确定性工作流
当任务可以被清晰分解时，应优先使用 静态编排。它们能提供更高的可预测性和更低的延迟。
1. 提示词链
最基础的模式。将任务分解为一系列线性步骤，上一步的输出作为下一步的输入。
适用场景：文案生成（大纲->初稿->润色）、简单的数据处理管道。
优势：延迟较低，易于调试；每个节点可以使用不同规格的模型（例如大纲用高质量模型，扩写用低成本模型）。
权衡：如果中间某一步出错，错误会级联传导。
2. 路由分发
根据输入内容的分类，将其导向不同的后续流程。这不仅是分类，更是专业化分工的体现。
适用场景：
客服分流：根据用户意图（售后/投诉/咨询）路由到不同处理模块。
模型分层：简单问题路由给低成本模型，复杂问题路由给高质量模型。
实现技巧：Router 可以是一个专门微调过的分类小模型，也可以是基于 Embedding 的向量相似度匹配，只需极低的开销。
3. 并行执行
利用 LLM 并行处理能力，同时执行多个任务，提升速度或质量。包括两个变体：
切片: 将大任务拆解为独立的子任务并行处理。
例子: 给出一段长代码，同时运行三个 LLM 分别检查“安全性”、“性能”和“代码风格”，最后汇总。
投票 (Voting / Majority Vote): 对同一任务运行多次，通过投票减少幻觉。
例子: 让 3 个模型分别“找出文中的事实错误”，取交集或多数票。
4. 编排者-工作者
当子任务无法预知或需要动态生成时，通过一个中心编排者来分派任务。这就像是一个“包工头”带着一群“工人”。
流程:
Orchestrator 分析用户请求，分解出需要执行的子任务。
并行或串行调用相应的 Worker LLM 或工具。
收集 Worker 的结果，进行综合（Synthesize），生成最终回复。
适用场景：复杂编码任务（修改一个功能涉及多个文件）、多源信息调研。
区别：虽然子任务列表是动态的，但执行模式是固定的（例如：Split -> Map -> Reduce），依然属于静态编排；而自主智能体可以自主决定是否循环、调用何种工具，流程拓扑是动态的。
5. 评估者-优化者
评估者-优化者模式即经典的 反思 模式。在一个循环流程中，引入“评估者”角色来提升质量。
流程：生成器 (Generator) 生成初稿 -> 评估者 (Evaluator) 提出修改意见 -> 生成器 (Generator) 优化 -> 循环。
适用场景：高质量翻译、复杂代码生成。
关键点：必须设置明确的终止条件（如最大循环次数或评分阈值），防止死循环。
9.1.2 自主编排：智能体与动态决策
当无法预定义路径时，需要让 LLM 接管控制权，即 自主编排 模式。此时，智能体不仅仅是调用工具，更是模拟这种认知循环。
常见的自主编排模式包括：ReAct、规划与执行、多智能体协作。
1. ReAct
这是最经典的单智能体模式（详见 2.3 节）。
Traces 示例:
核心挑战: 容易陷入循环，或在高压环境下（如复杂多步推理）迷失目标。
2. 规划与执行
为了解决 ReAct “走一步看一步”导致的短视问题，引入了显式的规划阶段。
阶段一：规划 (Planner)
LLM 接收复杂请求，不直接执行，而是输出一个
Step-by-Step Plan。
阶段二：执行 (Executor)
按照 Plan 逐条执行。如果执行中遇到阻碍，可以请求 Planner 重规划 (Replanning)。
[!TIP] Cursor 的 Plan Mode 就是这种模式的最佳实践。它先扫描代码库，生成 Implementation Plan，用户确认后，再一步步 Apply Changes。
3. 多智能体协作
当单体智能体复杂度过高时，通常将其拆分为多智能体系统。
层级制:
类似于公司组织架构。
管理智能体: 负责拆解目标，监督进度，协调资源。
专家智能体: 专注特定领域（如 DB设计专家、前端专家、QA专家）。
优势: 权责分明，管理者可以纠正下属的错误。
协作制:
类似于头脑风暴会议。
多个智能体（如 Developer + Tester）处于同一个会话中，都能通过消息总线发言。
通常需要一个发言选择（Speaker Selection）机制来决定谁下一个发言。
竞争制:
多个智能体对同一问题持不同立场，通过辩论提升决策质量。
详见 6.3 节博弈论与群体智能。
9.1.3 模式选择指南
如何决定使用哪种模式？主要参考 不确定性和复杂性两个维度。这对应了认知科学中的快思考与慢思考 理论。
提示词链
快思考
任务固定，步骤明确
⭐
💲
路由分发
快思考
任务有几个明确变体
⭐⭐
💲
并行执行
快思考
独立子任务，关注速度/覆盖面
⭐⭐
💲💲
编排者模式
混合态
动态子任务，需要统一协调
⭐⭐⭐
💲💲
评估优化
慢思考
质量优先，容忍高延迟
⭐⭐⭐
💲💲💲
ReAct 智能体
慢思考
开放式探索，步骤未知
⭐⭐⭐⭐
💲💲💲
自主规划
慢思考
极度复杂，长跨度任务
⭐⭐⭐⭐⭐
💲💲💲💲
[!IMPORTANT] Start Simple: 总是从简单的静态编排开始。只有当固定流程无法应对需求的变化时，才引入自主编排。过早引入自主编排会导致系统变得不可预测且难以调试。
9.1.4 行业最佳实践
行业共识
工程实践中，一个反复被验证的经验是：优先使用简单、可组合的静态模式，在必要时再引入更强的自主性与动态规划。
同时，围绕“跨模型/跨工具互操作”的标准化工作也在推进，例如将“工具描述、权限边界、上下文传递、可观测性事件”做成可移植的协议与数据结构（相关内容可结合 4.3 节 阅读）。这些努力使得上述设计模式更容易跨框架复用。
下一节: 可观测性与调试
Last updated