智能体架构模型

前面我们已经完成了天机AI助手智能体功能的开发，实际上我们实现的方式只是最为基础的一种模式，一般应用系统中的智能体架构有6种，分别是：

• 增强型智能体
• 链式工作流智能体
• 路由工作流智能体
• 并行工作流智能体
• 协调器工作流智能体
• 评估优化工作流智能体

下面，我们一起来了解下这6种架构模式，重点要关注：路由工作流智能体。

增强型智能体

增强型智能体的基本构建块是一个增强的LLM，其中包含检索、工具和记忆等增强功能。

来自：https://www.anthropic.com/engineering/building-effective-agents

📚 模式说明：

• 输入输出系统：整个流程是线性的，就是从输入到大模型（LLM），再到输出。简单来说，就是 Input → LLM → Output。
• 大模型（LLM）：它就像个中央处理器，负责协调三个主要的功能模块——检索（Retrieval）、工具（Tools）和记忆（Memory），一起来完成信息处理。
• 这种模型，适用于业务不是很复杂的场景。

链式工作流智能体

工作流智能体模式，就是将任务分解为一系列步骤，其中每个LLM调用处理上一个步骤的输出，通过多步骤LLM调用分阶段处理复杂任务。

来自：https://www.anthropic.com/engineering/building-effective-agents

📚 模式说明：

• **顺序分解：**将任务拆解为 LLM Call 1 → LLM Call 2 → LLM Call 3 的固定步骤链。
• **中间检查（Gate）：**在第一步输出后插入 Gate 决策点，实现中间验证阻断错误传播。
• 上下文传递：Output 1 作为 LLM Call 2 的输入，Output 2 作为 LLM Call 3 的输入，通过链式传递上下文保持任务连贯性。
• 这种模式适用于任务比较复杂，但处理流程固定的场景
  • 比如：写文章 → 生成大纲 → 校验大纲 → 依据大纲编写内容 → 对内容校验 → 最后输出。

路由工作流智能体

路由工作流智能体，这种模式是将输入通过 **LLM Call Router **对意图识别，再交由下游的 **LLM **执行。

来自：https://www.anthropic.com/engineering/building-effective-agents

📚 模式说明：

• 动态路径选择：Router 节点根据输入特征（如内容类型、用户意图）决定调用哪个LLM。
• 集中式决策：所有输入需先经过Router（而非直接调用LLM），使用路由控制器降低业务系统之间的耦合度。
• 可扩展性：图中预设3个LLM调用路径，实际上，可扩展更多分支，也就是说，路由模式可以灵活的增减处理模块，比较灵活。
• 这种模式适用于复杂业务，并且后续的处理逻辑比较独立的场景。
  • 比如：天机AI助理，推荐课程、查询课程、购买课程，这都是独立的业务，可以用独立的智能体实现。

并行工作流智能体

并行工作智能体，是值一个输入同时交给多个LLM去执行，再将这些大模型的输出进行汇总处理，再输出。

来自：https://www.anthropic.com/engineering/building-effective-agents

📚 模式说明：

• 任务并行拆分：输入（In）同时分发给 LLM Call 1/2/3 并行处理，通过并发执行独立子任务提升效率。
• 结果聚合策略：通过 Aggregator 模块整合多个LLM输出，用冗余计算换取结果可靠性。
• 模块化隔离：各LLM节点无直接依赖关系（仅通过Aggregator连接），降低单点故障风险的容错设计。
• 这种模式，一般会在两种场景中使用：
  • 将一个任务，拆分成多个子任务，并行执行，提升效率。
    • 例如：需要开发一个多维度内容审核系统，包括：是否含攻击性言论、关键数据是否准确、是否引用未授权内容等检测，这些检测可以并行执行，提升系统效率。
  • 将同一个任务，由不同的大模型执行多次，得到不同的输出，再聚合处理，以得到更准确的结果。
    • 例如：如医疗诊断辅助、金融风险评估

协调器工作流智能体

协调器工作流智能体，这种模式是，由Orchestrator LLM作为智能调度中心，**动态生成**子任务列表，子任务可以是并行或串行执行，结果由Synthesizer进行聚合输出。

📚 模式说明：

• 动态任务分解： Orchestrator 担任智能调度的核心角色，能够利用大型语言模型（LLM）动态地生成子任务列表。
• 异构模型协同工作： 通过并行或串行方式调用多个大型语言模型，并依据各个子任务的具体需求选择最适合的模型执行，以此实现高效的资源分配策略。
• 结果智能化整合： Synthesizer 采用语义融合技术，确保来自不同模型的结果在最终输出时达到高度的一致性和连贯性。
• 这种工作流程适合处理复杂且细节不确定的任务（如编程时根据实际情况修改文件）。它看起来像并行处理，但更灵活：任务不是预先定义好的，而是由协调器根据进展动态分配和调整。
  

评估优化工作流智能体

评估优化工作流智能体，是这一种 生成 → 评估 → 反馈 循环反馈的机制。

:::info
📚 模式说明：

• 生成阶段（Generator）：产生初始解决方案（Solution）

• 评估阶段（Evaluator）：验证输出质量，可以选择Accepted（认可）或 Rejected+Feedback（拒绝+反馈）

• 决策阶段：根据评估结果选择终结输出或重新生成

• 举例：
  

• 场景：

  • 在文学翻译领域，译者型语言模型（LLM）可能在初次尝试时未能完全把握文本中的细微差异，但评估型语言模型（LLM）能够对此提供具有建设性的反馈。
  • 在执行复杂的搜索任务时，往往需要通过多轮的搜索与分析来确保信息收集的全面性。在此过程中，评估者将根据已获取的信息质量及完整性，判断是否有必要展开进一步的搜索活动。

:::

总结

模式名称	控制方式	延迟水平	可靠性	典型应用场景	开发复杂度
增强型智能体	直接输出	最低	低	简单问答、内容润色	简单
链式工作流智能体	线性顺序执行	中等	中高	分阶段任务（如大纲→内容→格式优化）	中等
路由工作流智能体	条件分支选择	低-中等	中	多领域处理（如客服分流转人工）	中等
并行工作流智能体	多模型并发执行	中等	高	可靠性敏感任务（如医疗诊断辅助）	较高
协调器工作流智能体	动态任务分解+调度	高	最高	复杂业务（如商业智能分析系统）	极高
评估优化工作流智能体	迭代优化+反馈修正	最高	极高	质量敏感场景（如法律文件生成）	高

模式选型建议，根据业务需求选择：

• 简单任务 → 增强型智能体 / 链式工作流智能体
• 多分支处理 → 路由模式
• 高实时性 → 并行化（需任务可拆分）
• 超复杂任务 → 协调器工作流智能体
• 超高可靠性 → 评估优化工作流智能体