Common Workflow Patterns for AI Agents—and When to Use Them（AI Agent 常见工作流模式及适用时机）

Agent 可以自主运行，但工作流为多步任务提供必要结构：在预定的执行路径内让 Agent 动态推理。三种主要模式——顺序、并行、评估器-优化器——能解决大多数现实问题。

模式一：顺序工作流（Sequential）

概念： 任务按固定顺序执行，每个阶段依赖上一步输出。

• 适用： 有明确依赖的多阶段流程；需要顺序增强的数据转换管道；本质上无法并行的任务；草稿-审阅-润色式迭代
• 避免： 单 Agent 就能胜任时；需要真正协作而非交接的任务；人为强拆成顺序步骤
• 代价： 增加延迟，换取专业化带来的准确率
• 例子： 营销文案生成后翻译；文档提取→校验→入库；内容审核管道
• 要点： 「先用单 Agent 试跑管道……只有单 Agent 无法可靠处理时才拆分成多步工作流」

模式二：并行工作流（Parallel）

概念： 独立任务分发给多个同时运行的 Agent，事后聚合（扇出/扇入）。

• 适用： 可并发的独立子任务；同一问题需要多视角；工程团队的关注点分离；多质量维度评估；投票模式
• 避免： Agent 需要累积上下文或顺序构建时；并发 API 调用受资源限制；对矛盾结果没有聚合策略；综合会劣化输出质量
• 代价： 资源成本更高，换取更快完成
• 例子： 多维评估；按漏洞类别并行代码审查；并行文档分析（主题/情感/事实核查）
• 要点： 「实现并行 Agent 之前先设计好聚合策略……避免收集了相互冲突的输出却没有解决办法」

模式三：评估器-优化器工作流（Evaluator-Optimizer）

概念： 生成器产出内容，独立评估器按具体标准评估并给出反馈，迭代直到达到质量阈值。

• 适用： 有清晰可衡量、AI 能执行的质量标准；初稿与成品的质量差距值得 token 成本；有具体要求的代码生成；要求精确的专业沟通
• 避免： 首次尝试已达标；实时应用需要即时响应；简单例行任务；AI 无法稳定执行的主观标准；有确定性替代方案（如代码用 linter）；资源约束大于质量收益
• 代价： token 用量翻倍、延迟增加，换取结构化反馈带来的更高质量
• 例子： API 文档生成；客户沟通稿；SQL 查询优化
• 要点： 「开始迭代之前设好明确的停止标准……知道什么时候『够好』就是够好」

选型决策层级

1. 先试单 Agent ——质量可接受就到此为止
2. 选顺序 ——任务有天然依赖时
3. 加并行 ——延迟是瓶颈且子任务独立时
4. 上评估器-优化器 ——只有可衡量的质量提升能覆盖成本时

进阶考量

• 故障处理： 为每一步定义回退行为和重试逻辑
• 性能基线： 先用单 Agent 建立基线，度量工作流是否真有收益
• 混合模式： 模式可嵌套组合（如评估器-优化器循环内嵌并行评估器）

结论

务实渐进：从简单开始，只有可衡量的改进能证明时才增加复杂度。模块化模式提供清晰的升级路径，避免不必要的重写。核心原则：工作流复杂度要匹配实际业务需求，而非架构能力上限。