Anthropic 的工作流模式：简单优于复杂

Schluntz 与 Zhang（Anthropic，2024 年 12 月）区分了工作流（预定义路径）与 Agent（动态工具使用）。五种工作流模式覆盖了大多数情况。从直接调用 API 开始。只有当步骤无法预测时才加入 Agent。

学习目标

说出 Anthropic 的五种工作流模式：prompt 链式调用、路由、并行化、编排者-工作者、评估者-优化者。
解释 Agent 与工作流的区别，以及各自的工程成本。
判断何时选择工作流而非 Agent（以及反过来）。
用标准库针对脚本化 LLM 实现全部五种模式。

问题

团队会为只想要一次 function call 的问题，去抓多 Agent 框架。成本是真实的：框架增加了层，遮蔽 prompt、隐藏控制流，并招致过早的复杂化。Schluntz 与 Zhang 2024 年 12 月的文章是被引用最多的行业反思：从简单开始，只有当复杂度能挣回成本时才添加它。

概念

工作流 vs Agent

工作流。 LLM 和工具通过预定义的代码路径编排。工程师拥有图。
Agent。 LLM 动态指挥自己的工具，采取自己的步骤。模型拥有图。

两者各有用武之地。工作流更便宜、更快、更容易调试。Agent 解锁开放式问题，但也让失效模式更难推理。

增强型 LLM

全部五种模式的基础：一个 LLM 接入三种能力——搜索（检索）、工具（动作）、记忆（持久化）。任何 API 调用都可以使用它们。

五种模式

Prompt 链式调用。 调用 1 的输出是调用 2 的输入。适用于任务有清晰的线性分解时。步骤之间可选加入程序化闸门。

路由。 一个分类器 LLM 挑选下游要调用哪个 LLM 或工具。适用于类别不同的输入需要不同处理时（一级支持 vs 退款 vs bug vs 销售）。

并行化。 并发运行 N 个 LLM 调用，聚合结果。两种形态：分区（不同的块）和投票（同一 prompt，运行 N 次，多数表决/综合）。

编排者-工作者。 一个编排者 LLM 动态决定运行哪些工作者（也是 LLM），并综合它们的输出。类似 Agent 循环，但编排者不会无限循环。

评估者-优化者。 一个 LLM 提出答案，另一个 LLM 评估它。迭代直到评估者通过。这是 Self-Refine（第 05 课）的推广。

工作流胜过 Agent 之处

可预测的任务。 如果你能枚举步骤，就应该枚举。
成本受限的任务。 工作流的步数有界；Agent 可能失控膨胀。
合规受限的任务。 审计员想读图，而不是从轨迹中推断图。

Agent 胜过工作流之处

开放式研究。 下一步取决于上一步返回了什么。
变长任务。 从几分钟到几小时的工作，步数未知。
新领域。 当你还不知道正确的工作流时——先探索，后固化。

上下文工程的姊妹篇

「Effective context engineering for AI agents」（Anthropic 2025）形式化了相邻的学科：200k 窗口是预算，不是容器。该放什么、何时压缩、何时让上下文增长。详见第 14 阶段关于上下文压缩的课程（编号调整前为本课程的第 14 阶段第 06 课）。

workflow-chain静态版本未包含此交互图

构建它

code/main.py 针对一个 ScriptedLLM 实现全部五种工作流模式：

prompt_chain(input, steps) —— 顺序执行。
route(input, classifier, handlers) —— 分类 + 分派。
parallel_vote(prompt, n, aggregator) —— N 次运行，聚合。
orchestrator_workers(task, workers) —— 编排者挑选工作者。
evaluator_optimizer(task, proposer, evaluator, max_iter) —— 循环直到通过。

运行它：

python3 code/main.py

每种模式都会打印自己的轨迹。每种模式的代码总共约 10-15 行；框架的成本以千行计。

使用它

多数任务直接调用 API。
只有当模式确实需要持久状态（LangGraph）、actor 模型并发（AutoGen v0.4）或角色模板（CrewAI）时才用框架。
当你想要 Claude Code harness 的形态又不想重建它时，选择 Claude Agent SDK。

交付它

outputs/skill-workflow-picker.md 根据任务描述挑选正确的模式，包含决策理由，以及工作流不够用时的 Agent 重构路径。

练习

用置信度阈值实现路由。低于阈值 -> 升级给人类。对于一级支持用例，阈值落在哪里？
给 parallel_vote 增加超时。一个调用挂起时会发生什么？缺少投票时如何聚合？
把 evaluator_optimizer 改造成 bandit：跨迭代保留 top-2 输出，这样迟来的好结果不会被迟来的坏结果覆盖。
把 prompt 链式调用与路由结合：一个路由器挑三条链之一。与单个大 prompt 方案相比，测量 token 成本。
选一个你的生产功能。画出工作流图。数一数步骤。这里用 Agent 真的更好吗？

关键术语

术语	人们怎么说	实际含义
工作流（Workflow）	「预定义流程」	工程师拥有的 LLM 与 tool call 图
Agent（Agent）	「自主 AI」	模型拥有的图；动态指挥工具
增强型 LLM	「带工具的 LLM」	LLM + 搜索 + 工具 + 记忆；原子单元
Prompt 链式调用	「顺序调用」	调用 N 的输出是调用 N+1 的输入
路由	「分类器分派」	挑选哪条链/哪个模型处理输入
并行化	「扇出」	N 个并发调用；按分区或投票聚合
编排者-工作者	「调度 Agent」	编排者 LLM 动态挑选专家 LLM
评估者-优化者	「提议者 + 裁判」	迭代直到评估者通过；Self-Refine 的推广

示意图共 1 张

workflow-patterns diagram — workflow-patterns

问题

概念