Agent工作流模式：顺序/并行/评估优化¶
tags: #AgentWorkflow #Orchestration #Sequential #Parallel #EvaluatorOptimizer source: Common workflow patterns for AI agents | 2026-05-23-Claude博客 score: 技术深度8/10 | 实用价值9/10 | 时效性9/10 | 领域匹配10/10 | 综合 9.0/10
核心概念¶
Anthropic基于与数十个团队的合作经验，总结出生产环境中三种覆盖绝大多数用例的Agent工作流模式：顺序（Sequential）、并行（Parallel）、评估-优化（Evaluator-Optimizer）。工作流不替代Agent自主性，而是塑造Agent在哪里以及如何应用自主性——类似制造业流水线，每个工位有自主决策权，但整体流程预先设计。
设计原理¶
工作流 vs 自主Agent的权衡： - 全自主Agent：自行决定工具选择、执行顺序、停止时机。灵活性最高，但可预测性差。 - 工作流约束的Agent：在预定义的流程框架内，每一步仍可利用Agent的推理和工具调用能力。牺牲部分灵活性，换取可调试性和可靠性。
这一思路与Agent控制流设计的理念一致——LLM是决策组件，确定性代码管流程。
三种模式的Trade-off分析¶
| 模式 | 解决的问题 | 代价 | 收益 |
|---|---|---|---|
| 顺序 | 步骤间有依赖（B需要A的输出） | 延迟叠加（每步等待上一步） | 每个Agent专注一件事，准确率提升 |
| 并行 | 任务独立但串行太慢 | Token消耗翻倍+需要聚合策略 | 更快完成+关注点分离 |
| 评估-优化 | 初稿质量不够（需要迭代打磨） | Token用量倍增+迭代耗时 | 结构化反馈循环产出更高质量结果 |
关键实现¶
1. 顺序工作流（Sequential）¶
- 适用场景：多阶段流程、数据管道、草稿-审核-润色循环
- 模式：
Agent A → 输出 → Agent B → 输出 → Agent C - 要点：每步Agent聚焦单一职责，错误可在步骤间捕获
2. 并行工作流（Parallel）¶
- 适用场景：多维度评估、代码审查、文档分析
- 模式：多个Agent同时执行 → 结果聚合器合并
- 要点：需要设计聚合策略（投票、加权、串联）
3. 评估-优化工作流（Evaluator-Optimizer）¶
- 适用场景：技术文档、客户沟通、针对特定标准的代码生成
- 模式：
生成Agent → 评估Agent → 反馈 → 生成Agent（迭代） - 要点：评估器需要明确的评价标准和量化指标
组合与嵌套¶
三种模式是构建块而非死板模板。实践中常见嵌套组合：并行评估后接顺序优化，或顺序管道中嵌入评估-优化循环。
关联分析¶
- Agent控制流设计：互补视角，本文是Anthropic官方总结的三种实践模式，后者是工程化的状态机方法
- Multi-Agent-Systems-Design：多Agent系统设计的更广泛讨论
- Weak-Model-Orchestration：弱模型编排同样强调用代码逻辑管理LLM调用
- EfficientAgent：高效Agent执行中的流程优化
可执行建议¶
- 选型决策树：任务有依赖→顺序；任务独立→并行；质量要求高且可量化→评估-优化
- 从顺序开始：最简单可靠，确认单Agent步骤有效后再考虑并行或迭代优化
- 评估器设计是关键：评估-优化模式的效果完全取决于评估标准的明确性和可量化性
- Token成本意识：并行和评估-优化都会倍增Token消耗，需在质量和成本间权衡
自评¶
| 维度 | 分数 | 权重 | 加权 |
|---|---|---|---|
| 摘要质量 | 8.5 | 0.25 | 2.13 |
| 技术深度 | 8.0 | 0.25 | 2.00 |
| 相关性 | 9.5 | 0.20 | 1.90 |
| 原创性 | 7.5 | 0.15 | 1.13 |
| 格式规范 | 9.0 | 0.15 | 1.35 |
| 加权总分 | 8.50 |