聊一聊五种智能体模式

1 引言

随着 AI 驱动型应用程序的快速发展，开发人员越来越多地利用大语言模型（LLM）构建智能体，以高效执行复杂任务。然而，最有效的实现并非依赖于复杂的框架，而是采用简单且可组合的设计模式。

本文探讨了工作流与智能体之间的区别，明确了 AI 驱动系统中常见的关键模式。

2 什么是 AI 智能体

AI 智能体是利用 LLM 处理信息、与工具交互并执行任务的系统。它们可以分为两大类：

1. 工作流（Workflow）
   
   ：LLM 与外部工具按照预定义的执行路径进行结构化序列操作。此类系统注重可预测性，适用于定义明确且可重复的任务。
2. 智能体（Agent）
   
   ：更具动态性和自主性的系统，LLM 可自主决定流程、选择工具并确定任务完成方式。这种方式提供了更大的灵活性和适应性。

选择工作流还是智能体取决于问题领域：工作流在结构化自动化任务中表现出色，而智能体则更适合需要大规模动态决策的场景。

3 AI 智能体系统中的关键模式

3.1 链式工作流（Chain Workflow）模式

链式工作流将多个步骤按线性序列组织，一个步骤的输出作为下一个步骤的输入。它提供了清晰的控制力，并允许一定程度的适应性。适用于具有明确顺序步骤的任务，每个步骤都基于上一步的输出。

链式工作流通过链接提示或任务来提高处理的准确性。这种模式将任务按顺序组织，每个任务的输出作为下一个任务的输入，形成一个连续的处理链。

例如，在新闻推荐系统中，工作流可能首先涉及检索用户偏好，然后将这些偏好作为输入来获取和分析新闻。这是一个典型的链式任务，其中用户偏好的输出直接作为新闻检索的输入。

适用场景：

• 任务具有明确的顺序步骤；
• 需要通过延迟换取更高的准确性；
• 每个步骤依赖于上一步的输出。

3.2 并行化工作流（Parallelization Workflow）模式

此模式通过同时执行多个任务来提高数据密集型操作的效率，适用于需要同时处理大量信息的场景。对于需要快速响应和处理大量信息的应用中特别有用，如大数据分析、实时监控和复杂决策支持系统。

并行化工作流模式涉及同时执行多个任务或处理多个数据集，以提高处理速度和效率。这种模式适用于可以独立并同时进行的任务，允许系统资源得到充分利用，从而减少总体处理时间。

例如，在一个金融分析项目中，可能需要同时分析股票市场、外汇市场和商品市场的数据。通过将这些分析任务分配给不同的LLM调用（如LLM Call 1、LLM Call 2和LLM Call 3），每个调用可以并行处理其分配的市场数据。然后，一个聚合器组件将收集这些并行任务的结果，并整合成一个全面的分析报告。

适用场景：

• 处理大量相似但独立的项目；
• 需要多个独立视角的任务；
• 任务可并行化且对处理时间要求较高。

3.3 路由工作流（Routing Workflow）模式

路由工作流根据输入条件动态指导执行路径，使系统能够在没有预定义序列的情况下适应不同情况。

路由工作流根据输入智能地将任务路由到专用流程。这种模式允许系统根据输入的不同特征或条件，动态地选择不同的处理路径。

例如，一个金融服务平台可能根据用户感兴趣的主题（如“crypto”或“stocks”）将请求路由到不同的API端点。这是路由工作流的一个示例，其中输入的主题决定了请求的路由路径。

适用场景：

• 任务具有不同输入类别且复杂；
• 不同输入需要专门处理；
• 可以准确分类输入。

3.4 编排器-工作者（Orchestrator-Worker）模式

编排器 AI 将任务委派给多个专门的工作者智能体，每个智能体负责不同的功能（例如，数据检索、分析、摘要）。

编排器-工作者模式中，中央AI（编排器）负责将任务分配给专门的子进程（工作者）。这种模式允许系统将复杂的任务分解为多个子任务，并分配给不同的工作者来并行处理。

例如，在新闻分析项目中，服务可以充当编排器，与AI模型协调新闻检索和分析。AI模型（如OpenAI的ChatModel）作为文本分析的专用工作者，负责处理特定的分析任务。

适用场景：

• 任务复杂且无法预先预测子任务；
• 需要不同方法或视角的任务；
• 需要适应性问题解决的情况。

3.5 评估器-优化器（Evaluator-Optimizer）模式

评估器负责评估智能体输出的质量，优化器则根据反馈改进未来的响应，从而随着时间推移提高准确性。

评估器-优化器模式使用LLM进行迭代评估和优化。这种模式允许系统通过不断的评估和优化来改进任务的处理效果。

例如，在新闻内容分析中，可以通过AI模型总结和分析新闻，这可以视为一种内容评估和改进的形式。AI模型不断评估新闻内容的质量，并根据评估结果优化分析策略。

适用场景：

• 存在明确的评估标准；
• 迭代优化可以提供可衡量的价值；
• 任务受益于多轮反馈和优化。

4 五种 AI 智能体模式的比较

这个对比表提供了更全面的比较维度，帮助理解每种模式的特点、优势、挑战以及适用场景，从而在设计和实现智能体系统时做出更合适的选择。