@MinLiBuilds: Workflow 有 6 种形式。 我找到了原始prompt 放在评论区。 这六种形式分别是: 分类并执行:由一个 classifier agent 判断任务类型,据此路由到不同的 agent 或行为;也可以在任务完成时确定输出的分类。 …
摘要
介绍了六种AI agent工作流形式:分类并执行、扇出并综合、对抗式验证、生成并筛选、锦标赛、循环至完成。
查看缓存全文
缓存时间: 2026/06/05 17:18
Workflow 有 6 种形式。
我找到了原始prompt 放在评论区。
这六种形式分别是:
分类并执行:由一个 classifier agent 判断任务类型,据此路由到不同的 agent 或行为;也可以在任务完成时确定输出的分类。
扇出并综合:把任务拆成许多更小的步骤,每个步骤跑一个 agent,再综合所有结果。当大量步骤都能从干净、互不干扰的 context window 中受益时,这一模式尤其有用。综合这一步充当一个 barrier,它会等所有扇出的 agent 完成后,再合并它们的结构化输出。
对抗式验证:每生成一个 agent,就再跑一个单独的 agent,以对抗的姿态对照 rubric 或判定准则来验证它的输出。
生成并筛选:先就某个主题生成多个想法,再按 rubric 或验证来筛选,去重后只留下质量最高、经过检验的那些。 锦标赛:让 N 个 agent 用不同方法在同一个任务上互相竞争,而不是把工作分摊下去。由成对评判的 agent 决出胜者,直到只剩一个。
循环至完成:对工作量未知的任务,持续生成 agent,直到满足停止条件为止,比如不再有新发现、日志里不再有错误,而不是采用固定的遍数。
相似文章
@elliotchen100: 表面上是 Claude Code 能自己生成 workflow,往深一层看,是 agent 产品的控制面在变化。 过去我们把复杂任务塞进一个长 context,期待模型自己记住目标、拆步骤、判断完成;现在这些东西开始外化成可执行的 har…
文章指出,Claude Code能自动生成workflow的背后,反映了AI agent产品的控制面正在从依赖长上下文记忆目标、拆解步骤,转向外化为可执行的harness,包括任务结构、权限边界、验证机制和停止条件等。
@cellinlab: https://x.com/cellinlab/status/2064144608242679822
这篇文章介绍了 Loop Engineering 的概念——不再直接给 AI agent 写 prompt,而是设计一个系统(loop)来递归地让 agent 迭代工作,直到任务完成。文章详细对比了 Claude Code 和 Codex 在 automations、worktrees、skills、sub-agents 等五个构建块上的实现,认为这可能是未来与 coding agent 协作的趋势,但仍需警惕 token 成本和 AI slop 问题。
本文系统梳理了AI Agent架构与工程实践,涵盖控制流、上下文工程、工具设计、记忆、多Agent组织、评测、追踪和安全,基于OpenClaw实现展开,强调Harness(测试验证基础设施)对系统稳定性的关键作用。
本文系统梳理了AI Agent架构与工程实践,涵盖控制流、上下文工程、工具设计、记忆、多Agent组织、评测、追踪和安全,基于OpenClaw实现展开,强调Harness(测试验证基础设施)对系统稳定性的关键作用。
@cxjwin: 发现一个很实用的网站,专门收集各种现成的 Agent Loop 模板。 核心理念就是:别再一直手动 prompt 了,设计好 loop 让 agent 自己跑完任务。 里面有 Test Until Green、Fix CI Until G…
分享了一个收集现成 Agent Loop 模板的实用网站,核心理念是让 AI agent 自动完成任务,包含 Test Until Green 等常用 loop,适合配合 Claude Code 和 Cursor 使用。
@WWTLitee: 又是一个多 agent 协同工具:agency-agents 他可以直接把前端、社区、创意检查、现实校验这些角色分开跑,每个 agent 都有自己的边界、节奏和交付习惯,看起来更像一支小队在配合 仓库现在已经有 103.5k stars,…
Agency-Agents 是一个开源的 AI 多 agent 协作工具,集合了多个专业化角色(如前端、社区、创意检查等),每个 agent 有独立边界和交付习惯,适合构建多 agent 协作流程。GitHub 仓库已有 103.5k stars。