@Aurimas_Gr: 作为AI工程师，你必须了解这些𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗦𝘆𝘀𝘁𝗲𝗺 𝗪𝗼𝗿𝗸𝗳𝗹𝗼𝘄 𝗣𝗮𝘁𝘁𝗲𝗿𝗻𝘀。如果你……

作为AI工程师，你必须了解这些𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗦𝘆𝘀𝘁𝗲𝗺 𝗪𝗼𝗿𝗸𝗳𝗹𝗼𝘄 𝗣𝗮𝘁𝘁𝗲𝗿𝗻𝘀。 如果你在企业环境中构建Agentic Systems，你很快就会发现最简单的工作流模式效果最好，能带来最大的商业价值。 去年年底，Anthropic出色地总结了这些工作流的顶级模式，这些模式至今仍然适用。 让我们来探讨它们是什么，以及每种模式在什么情况下有用： 𝟭. 𝗣𝗿𝗼𝗺𝗽𝘁 𝗖𝗵𝗮𝗶𝗻𝗶𝗻𝗴: 此模式将复杂任务分解为可管理的部分，通过链式调用逐一解决。一次LLM调用的输出成为另一次调用的输入。 在大多数情况下，这种分解会以提高延迟为代价带来更高的准确性。 在重度生产用例中，Prompt Chaining会与以下模式结合使用，其中一个模式替换Prompt Chaining模式中的LLM调用节点。 𝟮. 𝗥𝗼𝘂𝘁𝗶𝗻𝗴: 此模式将输入分类到多个潜在路径中，并选择适当的路径。 当工作流复杂且特定拓扑路径可以由专门的工作流更高效地解决时，此模式很有用。 示例：智能聊天机器人——我应该用RAG回答问题，还是执行用户提示的操作？ 𝟯. 𝗣𝗮𝗿𝗮𝗹𝗹𝗲𝗹𝗶𝘇𝗮𝘁𝗶𝗼𝗻: 初始输入被拆分为多个查询传递给LLM，然后将答案聚合以产生最终答案。 当速度重要且多个输入可以并行处理而无需等待其他输出时，此模式很有用。此外，当需要更高准确性时也很有用。 示例1：在Agentic RAG中对查询进行重写，生成多个不同查询进行多数投票。提高准确性。 示例2：从发票中提取多个项目，所有项目可以进一步并行处理以提高速度。 𝟰. 𝗢𝗿𝗰𝗵𝗲𝘀𝘁𝗿𝗮𝘁𝗼𝗿: 编排器LLM动态分解任务并委托给其他LLM或子工作流。 当系统复杂且没有明确的硬编码拓扑路径来实现最终结果时，此模式很有用。 示例：在Agentic RAG中选择使用的数据集。 𝟱. 𝗘𝘃𝗮𝗹𝘂𝗮𝘁𝗼𝗿-𝗼𝗽𝘁𝗶𝗺𝗶𝘇𝗲𝗿: 生成器LLM产生结果，然后评估器LLM对其进行评估并提供反馈，以便进一步改进（如有必要）。 适用于需要持续改进的任务。 示例：深度研究Agent工作流，需要通过持续的网络搜索来完善报告段落。 𝗧𝗶𝗽𝘀: 在采用完整Agent之前，应始终尝试用文章中描述的更简单的工作流来解决问题。 你部署到生产环境的最复杂的工作流是什么？请在评论区告诉我。