Anthropic 区分了工作流和 Agent。工作流是基于预定义代码路径协调LLM和工具的系统；Agent则是让LLM动态引导自身流程和工具使用的系统。
下面重点介绍几种常见的工作流模式：
提示链接（Prompt chaining）
把任务拆解成一连串的步骤，每个LLM调用都基于上一个调用的输出继续处理。还能在中间步骤添加编程检查，确保流程正确推进。这种模式适用于能清晰分解为固定子任务的场景，例如先创作营销文案，再翻译成其他语言；或者先写文档大纲，检查无误后依据大纲完成文档撰写。其目的是通过将复杂任务拆分为简单子任务，以一定的延迟换取更高的准确性。
路由（Routing）
对输入内容进行分类，然后将其引导至专门的后续任务。这样可以分开处理不同类型的任务，构建更有针对性的提示。比如在客户服务场景中，将不同类型的咨询（像一般问题、退款申请、技术支持等）分配到不同的处理流程；或者根据问题的难易程度，把简单常见问题交给小型模型处理，复杂罕见问题交给更强大的模型，从而优化成本和处理速度。
并行化（Parallelization）
LLMs可以同时处理任务，然后将输出结果进行汇总。这种模式有两种主要变体：一是切片，即将任务拆分成多个独立的子任务并行处理，比如在实现防护栏功能时，一个模型实例处理用户查询，另一个负责检查内容是否合规；二是投票，即多次执行同一任务获取不同输出，例如在审查代码漏洞时，用多个不同的提示对代码进行检查和标记。
协调器 - 工作器（Orchestrator-workers）
由一个中央LLM负责动态分解任务，把这些子任务分配给多个工作LLM执行，最后再整合它们的结果。这种模式适合那些无法预先确定子任务的复杂任务，例如编码产品需要对多个文件进行复杂修改，或者搜索任务需要从多个来源收集和分析信息。
评估器 - 优化器（Evaluator-optimizer）
在这个模式里，一个LLM生成响应，另一个LLM对其进行评估并给出反馈，通过不断循环来优化结果。当有明确的评估标准，且迭代优化能带来明显效果时，这种模式就非常适用。比如在文学翻译中，翻译LLM可能一开始无法捕捉到所有细微之处，评估LLM可以给出有用的修改意见；还有复杂搜索任务，需要经过多轮搜索和分析来获取全面信息，评估器可以判断是否需要进一步搜索。
