Anthropic 的工作流模式：简单优于复杂

Schluntz 和 Zhang（Anthropic，2024 年 12 月）区分了工作流（workflows，预定义路径）与智能体（agents，动态工具使用）。五种工作流模式已覆盖大多数场景。先从直接 API 调用开始。只有当步骤无法预测时，再引入智能体。

类型： 学习 + 构建 语言： Python（标准库） 先修要求： 第 14 阶段 · 01（智能体循环） 时间： 约 60 分钟

学习目标

说出 Anthropic 的五种工作流模式：提示链（prompt chaining）、路由（routing）、并行化（parallelization）、协调者-工作者（orchestrator-工作者（workers））、评估者-优化器（evaluator-optimizer）。
解释智能体与工作流的区别，以及各自的工程成本。
判断何时应选择工作流而非智能体（以及反过来何时应选择智能体）。
仅使用标准库、基于脚本化 LLM 实现这五种模式。

问题

团队常常为本该用一次函数调用解决的问题，直接上多智能体框架。代价是真实存在的：框架会增加层级，掩盖提示词（prompt），隐藏控制流，并诱发过早复杂化。Schluntz 和 Zhang 在 2024 年 12 月的文章，是业内被引用最多的反思之一：先从简单方案开始，只有当复杂性真正值得其成本时，再把它加上去。

概念

工作流与智能体

工作流。 通过预定义代码路径编排的 LLM 与工具。图结构由工程师掌控。
智能体。 LLM 动态决定要使用哪些工具、采取哪些步骤。图结构由模型掌控。

两者各有适用场景。工作流更便宜、更快，也更容易调试。智能体能解决开放式问题，但其失败模式也更难推理。

增强型 LLM

五种模式的共同基础：一个 LLM，接入三种能力——检索（retrieval）、工具（actions）和记忆持久化（persistence）。任何一次 API 调用都可以使用这些能力。

五种模式

提示链。 第 1 次调用的输出作为第 2 次调用的输入。当任务可以清晰地线性拆解时使用。步骤之间也可以加入可选的程序化闸门。
路由。 由一个分类器 LLM 决定调用哪个下游 LLM 或工具。当类别明显不同的输入需要不同处理方式时使用（如一线支持、退款、缺陷、销售）。
并行化。 并发运行 N 次 LLM 调用，再聚合结果。常见有两种形态：分段（sectioning，即不同分块）与投票（voting，即同一提示运行 N 次，再多数决或综合）。
协调者-工作者。 一个协调者 LLM 动态决定要运行哪些工作者（也都是 LLM），并综合它们的输出。它与智能体循环类似，但协调者不会无限循环。
评估者-优化器。 一个 LLM 提出答案，另一个 LLM 负责评估。不断迭代，直到评估通过。这可以看作是 Self-Refine（第 05 课）的泛化。

工作流优于智能体的场景

可预测任务。 如果你能枚举所有步骤，那就应该这么做。
成本受限任务。 工作流的步骤数有上界；智能体可能失控膨胀。
合规受限任务。 审计人员希望直接阅读图结构，而不是从执行轨迹里反推。

智能体优于工作流的场景

开放式研究。 当下一步取决于上一步返回了什么。
长度可变任务。 工作可能持续数分钟到数小时，步骤数未知。
新领域。 当你还不知道正确工作流是什么——先探索，再固化。

上下文工程配套主题

《Effective context engineering for AI agents》（Anthropic，2025）将相邻的一门学科形式化了：20 万上下文窗口是预算，不是容器。应该纳入什么、何时压缩、何时允许上下文继续增长。相关内容会在本阶段关于上下文压缩的课程中详细展开（在本课程重编号前，对应更早的第 14 阶段第 06 课）。

动手构建

code/main.py 基于 ScriptedLLM 实现了全部五种工作流模式：

prompt_chain(input, steps) —— 顺序执行。
route(input, classifier, handlers) —— 分类 + 分发。
parallel_vote(prompt, n, aggregator) —— 运行 N 次并聚合。
orchestrator_workers(task, workers) —— 协调者选择工作者。
evaluator_optimizer(task, proposer, evaluator, max_iter) —— 循环直到通过。

运行：

python3 code/main.py

每种模式都会打印自己的执行轨迹。每种模式的代码量大约只有 10–15 行；而一个框架的成本，往往要以数千行来衡量。

使用

大多数任务直接调用 API。
只有当某种模式确实需要持久状态（LangGraph）、演员模型并发（AutoGen v0.4）或角色模板化（CrewAI）时，再使用框架。
如果你想要 Claude Code 那种运行外壳（harness）形态，而又不想自己重建一套，就使用 Claude Agent SDK。

交付

outputs/skill-workflow-picker.md 会根据给定任务描述选择正确的模式，包括决策依据，以及当工作流不够用时如何重构为智能体的路径。

练习

为路由实现一个置信度阈值。低于阈值时转交人工。对于一线支持场景，这个阈值应设在什么位置？
给 parallel_vote 增加超时。当某一次调用卡住时会发生什么？在缺失部分投票结果的情况下该如何聚合？
将 evaluator_optimizer 改造成一个多臂老虎机（bandit）：在多轮迭代中保留前 2 个最佳输出，这样后期出现的好结果就不会被后期出现的坏结果覆盖。
将提示链与路由结合：由一个路由器在三条链中选一条。衡量其令牌成本，与单个大型提示词方案相比如何。
选一个你的生产功能。画出它的工作流图。数一数步骤。这里使用智能体真的会更好吗？

关键术语

术语	人们常说	实际含义
工作流	“预定义流程”	由工程师拥有的 LLM 与工具调用图
智能体	“自主 AI”	由模型拥有的图；动态决定工具调用方向
增强型 LLM	“带工具的 LLM”	LLM + 搜索 + 工具 + 记忆；最小原子单元
提示链	“顺序调用”	第 N 次调用的输出是第 N+1 次调用的输入
路由	“分类器分发”	选择由哪条链/哪个模型处理输入
并行化	“扇出”	N 次并发调用；通过分段或投票聚合
协调者-工作者	“分发智能体”	协调者 LLM 动态选择专长型 LLM
评估者-优化器	“提议者 + 裁判”	持续迭代直到评估通过；Self-Refine 的泛化

Anthropic 的工作流模式：简单优于复杂 ​

学习目标 ​

问题 ​

概念 ​

工作流与智能体 ​

增强型 LLM ​

五种模式 ​

工作流优于智能体的场景 ​

智能体优于工作流的场景 ​

上下文工程配套主题 ​

动手构建 ​

使用 ​

交付 ​

练习 ​

关键术语 ​

延伸阅读 ​