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。

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。

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。

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。

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。

附表：五种 AI 智能体模式的比较