Q88 · AI Agent 的主流设计模式有哪些？

假设电商客服收到售后单 R-2041：“鞋子签收第 9 天开胶了，想退款。”系统要查订单和政策、判断还缺不缺照片、写回复草稿，但不能自行退款或发送。如果所有售后单都按相同顺序处理，代码预设步骤就很容易检查；如果不同问题需要不同资料，系统要能选路；如果遇到缺失材料或工具错误，下一步还可能依赖刚得到的结果。这些变化，正是选择 Agent 设计模式的原因。

本文沿用 Anthropic《Building effective agents》中的一组常见模式，并加上客服例子讲解。它区分两类“智能体系统”：**workflow（工作流）**由代码预设主要执行路径，模型在路径中的指定位置完成任务；**agent（动态智能体）**由模型根据工具返回和环境反馈决定后续步骤。行业中“Agent”这个词也常被宽泛用于包括工作流的系统，所以交流时最好说清“谁决定下一步”。这些模式是可组合的工程做法，并非强制遵守的行业标准或从低到高的能力等级。Anthropic：Building effective agents

先把术语对上具体事情

以下政策均为虚构示例，不代表真实平台政策或法律判断。假设平台有一条“自签收起 7 天内的无理由退货”规则；“鞋子开胶”可能走单独的质量问题处理流程，需要核对订单与商品照片。签收第 9 天只能说明已超过该假设的无理由窗口，不能直接得出质量问题不可处理或必须退款。所有模式面对的都是同一张 R-2041 售后单。

术语	意思	本例
LLM（大语言模型）	根据输入生成文字，也能按约定选择工具的模型	理解客户诉求、写回复草稿
工具	应用提供的可调用能力，有明确输入和返回	查询订单、检索正式政策、读取售后附件
workflow（工作流）	代码事先规定步骤或分支的执行结构	先分类，再查对应规则，最后写草稿
agent（动态智能体）	模型依据当前结果选择下一步工具或何时停止的执行结构	查到缺照片后，改为请客户补材料
提示链（prompt chaining）	多个模型调用按固定顺序接力，上一段输出交给下一段	先抽取事实，再草拟回复
路由（routing）	先判定输入属于哪一类，再走相应处理分支	“质量问题”与“无理由退货”走不同规则
并行（parallelization）	彼此无依赖的工作同时进行，结束后汇合	同时查订单签收日和质量问题政策
编排者—执行者（orchestrator–workers）	中央模型按当前任务拆分子任务，交给多个执行者处理并汇总	看见开胶诉求后决定要核对政策、订单和附件
评估—优化（evaluator–optimizer）	先产出候选答案，再按明确标准检查、给反馈并修订	检查草稿是否把“第 9 天”误写成自动拒绝
工具循环	模型选工具、读返回、再决定动作，直到完成或停止	查附件发现缺照片，就停下询问客服
关口 / 停止条件	代码设定“什么情况下不能继续”或“何时结束”	无订单核验不判断；发送或退款需人确认
延迟 / 成本	用户等待时间 / 模型和工具调用带来的费用	多轮检查会比一次调用更慢、更贵

这张表的“模型”只是流程中的一个部件。查询工具返回的“签收日期”、照片是否存在、政策版本等是外部事实，不能由模型想象补齐；无论采用哪种模式，应用都应限制能读哪些订单、能执行哪些动作。

第一层：路径已知时，用固定工作流

提示链把大任务拆成几步较小的模型调用。处理 R-2041 可以先从客户原话抽取“商品：鞋子；签收第 9 天；问题：开胶；诉求：退款”，再读正式政策和订单结果，最后生成草稿。每一步都有可检查的输入与输出，抽取结果若漏了“第 9 天”就不放行。它适合步骤顺序稳定、每步目标明确的任务；代价是多次模型调用增加延迟，前一步的错误会传给后一步。特别要注意：把三段提示词连起来不会自动验证事实，业务字段还应由订单工具核对。Anthropic：Prompt chaining

路由先给输入分类，再交给专门路径。R-2041 里有“开胶”，应进入质量问题处理路径；若另一张单只是“买大了想退”，则可能走无理由退货路径。分类可由规则、传统分类器或模型完成，关键是它要达到足够的准确率，并能表达“不确定，交给人复核”。若只看“第 9 天”，把开胶误判为超出无理由窗口并直接拒绝，就是路由错误带来的业务错误。路由适合确有不同规则、不同工具或不同专长的请求；类别边界含糊时，维护路由本身有成本。Anthropic：Routing

并行把互不依赖的工作同时做，再等结果汇合。售后单已附订单号时，可以同时查“实际签收日期”和“当前有效的质量问题处理政策”；两者都到齐后再拟回复。这里的“同时”不等于两条分支可以各自退款，也不等于总时长一定减半：较慢分支仍决定汇合时刻，调用数可能增加。如果政策查询失败，不能把空结果当作“无质量问题政策”；应等待有上限的重试、降级为人工核对，或明确说明尚无法判断。并行适合独立子任务或多视角审阅；有依赖的事必须串行，例如先拿到订单号才能查询对应订单。Anthropic：Parallelization

三者可以组合：先路由到“质量问题”分支，在分支里并行查订单和政策，结果回来后用提示链抽取证据、生成草稿。组合时仍是工作流，因为“分类后查什么、何时汇合、何时写草稿”由应用规定。若单一检索加一次模型回答已经可靠，就无须为了展示模式把流程拆成多次调用。Anthropic 的建议也是先采用足够简单的方案，仅在评测证明确有收益时增加复杂度。Anthropic：Building effective agents

第二层：子任务难以预先列全时，让编排者拆解

编排者—执行者模式在外层仍有固定结构：“编排者决定子任务 → 执行者完成 → 编排者合并”。变化的是子任务由中央模型根据当前输入动态提出。R-2041 里“签收第 9 天”和“开胶”同时出现，编排者可能安排一个执行者核对订单，一个查质量处理规则，一个看附件是否有清晰照片。若换成“少发一只鞋”，它可能换成核对发货重量和仓库记录。子任务集合不能像普通并行那样事先完全写死。Anthropic：Orchestrator-workers

编排者不应只是把一个简单问题拆成很多人做。它要说明每个执行者的输入、允许的工具、期望产物和完成界限；合并时还要检查相互冲突的结果。假设订单执行者说“签收第 9 天”，附件执行者说“未上传照片”，编排者只能起草“请补充开胶部位照片以便继续核查”，不能把“缺照片”推成“客户虚假申诉”。多个执行者会增加调用成本、协调和合并难度；如果子任务可预先列出，用固定并行更简单。Anthropic 把这种模式归为 workflow：外层编排和回收机制是预设的，即使中央模型会动态拆子任务；不要把“有一个模型负责分工”直接等同于完全自主 Agent。Anthropic：Building effective agents

第三层：答案可判好坏时，加有界的检查与修订

评估—优化让一个模型或步骤先写草稿，另一个按标准指出问题，再修改。R-2041 的草稿验收标准可以明确写成：准确提到“签收第 9 天”、不把无理由 7 天规则误当质量问题结论、不编造已退款、说明缺少照片、语气礼貌、不给出未经批准的承诺。第一次草稿若写“超过 7 天，无法处理”，评估器指出误用规则，生成器据此改成“质量问题需核查订单和照片”。这种模式适合有可操作的评价标准且修订能明显提高质量的任务。Anthropic：Evaluator-optimizer

评估器不能凭同样的错误资料凭空创造正确政策；最好让它看到正式政策原文和订单工具结果，并结合程序化检查，例如禁止未经授权的“已退款”措辞。设置最多两轮之类的上限，若仍有事实争议就交人复核。否则两个模型可能互相改写、越写越长却没有更准确。评估—优化是输出质量循环，与 Agent 的“根据环境反馈选下一步工具”不是同一件事；一个系统可以同时有两种循环，但应分别设退出条件。

最后一层：步骤数和路径真无法预估时，用动态工具循环

假如客服提出的任务范围变成“帮我核查这个复杂申诉，列出还需要什么证据”，不同订单可能缺照片、缺签收信息、政策版本冲突或仓库记录异常。此时固定路径会出现大量分支，Agent 可以在许可范围内反复做“选择工具 → 读取真实返回 → 判断下一步”。对 R-2041，它先查订单确认为签收第 9 天，再查政策发现质量问题需证据，再读附件发现没有照片，于是停止进一步判断并向客服提出请客户补照片的草稿。如果附件已有清晰照片，下一步可能是把资料交给质检，而不是再要求同一张照片。Anthropic 对 Agent 的描述正是模型根据环境反馈控制流程和工具使用，并设置完成条件或最大迭代次数。Anthropic：Agents

动态性有代价：模型可能选错工具、误读返回、反复查同一份附件，错误在多步中累积。因此要给工具写清参数与边界，限制最大步数、时间和费用，记录每次调用及证据，重复状态时停止，重要动作前设置人工确认。**模型可以决定在已授权范围内查什么，不能自己扩大权限或批准退款。**如果流程能用清楚的固定分支表达，固定工作流更可预测；若开放任务确需临场决定步骤，再用 Agent 并针对异常路径测试。Anthropic 也提醒自主 Agent 成本更高，误差可能累积，适宜在受控环境中充分测试。Anthropic：Building effective agents

把模式选型落到同一张单上

问题	优先考虑	对 R-2041 的实际决策	主要代价或风险
单次查资料就能答？	一次检索加模型调用	只问“现行无理由规则是什么”即可查正式条款	仍需确认资料版本
步骤顺序固定？	提示链	抽取字段 → 核验 → 写草稿	多次调用；上游错误传递
不同类别要走不同规则？	路由	开胶进入质量问题路径	错分会把质量申诉误拒
子任务已知且互不依赖？	并行	同时查订单签收日与政策	等最慢分支；汇合处理失败
子任务随输入变化，难列全？	编排者—执行者	动态决定查附件、订单、规则	分工、合并和成本增加
草稿有明确验收标准？	评估—优化	查找不实承诺和政策误用后修订	自评可能共享同一错误；需轮次上限
下一步取决于工具的新发现？	动态 Agent 工具循环	发现缺照片后改为请补材料	循环、越权、误动作和累积误差

这张表表达的是先诊断任务特征，再选可组合的结构。真实系统可能“路由 + 并行 + 有界评估”，也可能完全不需要多步 Agent。部署前用真实脱敏样本比较答案准确率、越权率、人工接管率、平均与尾部时延、调用成本；若复杂方案只让报告更长、指标并无改善，就回到较简单的实现。退款和发送这样的外部动作，在所有模式中都应由后端权限规则和人工审批控制。

面试时可以这样说

我会先分清固定 workflow 和动态 agent：前者主要路径由代码安排，后者根据工具和环境反馈决定下一步。常见工作流模式有提示链、路由、并行、编排者—执行者和评估—优化；动态 Agent 则是在授权工具范围内循环观察、行动、再观察。比如一张“签收第 9 天鞋子开胶”的售后单，固定链可以先抽取事实再查规则、写草稿；路由到质量问题分支；订单与政策可并行查询；若要按具体情况动态决定查哪些材料，可用编排者或 Agent；草稿再按“不得编造已退款”等标准做有界评估。选择时先看步骤是否可预设、子任务是否独立、反馈会不会改变下一步，并把延迟、成本、停止条件、权限和人工确认一起算进去。

若被追问“编排者也是模型决定任务，为什么仍叫 workflow”，可以回答：按 Anthropic 的划分，外层的“分工、执行、回收”结构由代码固定，模型决定的是其中的子任务；动态 Agent 对后续行动路径有更持续的控制。若被追问“哪个最先进”，可以回答：没有普适赢家，能用一次调用或清晰工作流可靠完成的任务，就不应为了名称升级；以实际评测和风险约束决定复杂度。

资料来源

• Anthropic：Building effective agents：workflow 与 agent 的区分、五种工作流模式、动态工具循环及适用代价。
• Anthropic 官方 Cookbook：Building Effective Agents：上述模式的示例实现入口；本文不依赖特定框架版本。