本篇文章为个人学习ai笔记，部分资源来源于网上，仅供学习记录分享，无其他用途。

智能体工作流

当我们面对复杂任⁠务时，单一智能体可能无法满足需‌求。因此智能体工作流（Agent Workflow）应运而生‎，通过简单的编排，允许多个专业‌智能体协同工作，各司其职。

智能体工作流编排的精髓在于 将复杂任务分解为连贯的节点链，每个节点由最适合的智能体处理，节点间通过条件路由灵活连接，形成一个高效、可靠的执行网络。

---

智能体工作模式

(一) Prompt Chaining 提示链工作流

Prompt C⁠haining 是最常见的智能体‌工作流模式之一。它的核心思想是将一个复杂任务拆解为一系列有序的子‎任务，每一步由 LLM 处理前一‌步的输出，逐步推进任务完成。

比如在内容生成⁠场景中，可以先让模型生成大‌纲，再根据大纲生成详细内容，最后进行润色和校对。每一‎步都可以插入校验和中间检查‌，确保流程正确、输出更精准。这种模式结⁠构清晰，易于调试，‌非常适合任务可以被自然分解为多个阶段‎的场景。

---

(二) Routing 路由分流工作流

Routing ⁠工作流模式则更像是一个智能的路由‌器。系统会根据输入内容的类型或特征，将任务分发给最合适的下‎游智能体或处理流程。非常适合多‌样化输入和多种处理策略的场景。

比如在客服系统中，⁠可以将常见问题、退款请求、技术支持等‌分流到不同的处理模块；在多模型系统中，可以将简单问题分配给小模型，复杂问‎题交给大模型。这样既提高了处理效率，‌也保证了每类问题都能得到最优解答。

---

(三) Parallelization 并行化工作流

在 Par⁠allelizati‌on 并行化模式下，任务会被拆分为多个可‎以并行处理的子任务，‌最后聚合各自的结果。

比如在代码安全审查场景⁠中，可以让多个智能体分别对同一段代码进行安全‌审查，最后 “投票” 决定是否有问题。又比如在处理长文档时，可以将文档分段，每段由不同智‎能体并行总结。这种模式可以显著提升处理速度，‌并通过 “投票” 机制提升结果的准确度。

---

(四) Orchestrator-Workers 协调器 - 执行者工作流

对于复杂的任务、参与任务⁠的智能体增多时，我们可以引入一位 “管理者”，会‌根据任务动态拆解出多个子任务，并将这些子任务分配给多个 “工人” 智能体，最后再整合所有工人‎的结果。这种中央协调机制提高了复杂系统的整体效率，适‌合任务结构不确定、需要动态分解的复杂场景。

---

(五) Evaluator-Optimizer 评估 - 优化循环工作流

Evaluato⁠r-Optimizer 模式模拟‌了人类 “写 => 评 => 改” 的过程。一个智能体负责生成初‎步结果，另一个智能体负责评估和反‌馈，二者循环迭代优化输出。

举个例子，在机⁠器翻译场景中，先由翻译智能体‌输出，再由评审智能体给出改进建议，反复迭代直到达到满意‎的质量。这种模式特别适合需要多‌轮打磨和质量提升的任务。

---

A2A协议

(一) 什么是是 A2A 协议？

A2A 协议 就是为 “智能体之间如何直接交流和协作” 制定的一套标准。

A2A 协议的核心，是让每⁠个智能体都能像 “网络节点” 一样，拥有自己的身份‌、能力描述和通信接口。它不仅规定了消息的格式和传递方式，还包括了身份认证、能力发现、任务委托、结果回传‎等机制。这样一来，智能体之间就可以像人类团队一样‌，互相打招呼、询问对方能做什么、请求协助。

---

(二) A2A 协议的应用场景

A2A 协议的应用非常广泛，总结下来 4 个字就是 开放互联。比如在自动驾驶领域，不同车辆的智能体可以实时交换路况信息，协同避障和规划路线；在制造车间，生产线上的各类机器人智能体可以根据任务动态分工，互相补位；在金融风控、智能客服等场景，不同的智能体可以根据自身专长协作处理复杂业务流程。