#8种好用AI工作流拆解##图解AI智能体搭建# 一整套LLM智能体怎么搭？Anthropic用8张图，总结了他们的实战经验。 一组图、6种核心工作流、2种落地实战，表达了一个主题：越简单、越可组合的模式，效果越好。 图1：增强型LLM是基础块 一个LLM，搭配检索（Retrieval）、工具调用（Tools）、记忆模块（Memory），就能组合出各种能力，就像给Agent加上“感官”和“手脚”。 图2：Prompt链式处理（Prompt Chaining） 把任务拆成多个顺序执行步骤，如“生成大纲→检查合格→写正文”。中间可以插入“门检查”（Gate）避免逻辑偏离。 图3：路由式处理（Routing） 系统先识别任务类型，比如“客服请求→技术问题”，再分配给合适的节点，适合输入多样、逻辑清晰的任务。 图4：并行处理（Parallelization） 任务被拆成几个子任务并发跑，再统一聚合结果。比如多个模型分别评估内容不同唯独，最后再汇总判断。 图5：Orchestrator-Workers 模式 任务先交给主模型分析拆解，再分派给多个子模型执行，最后综合结果。适合任务复杂、步骤不确定的情况（如多文件代码改动）。 图6：生成+评估式（Generator-Evaluator） 一组模型输出结果，另一组模型负责评估和反馈，直到达标。适合“可以明确指出问题在哪里”的任务，比如翻译润色、复杂搜索。 图7：真正的Agent来了 Agent主动操作环境（比如调用工具、写入外部系统），再根据反馈动态调整。任务复杂时可以向人类请求反馈，也可以设置“最大轮数”防止无限循环。 图8：真实案例——自动写代码Agent的时序图 左边人类发起任务，中间是LLM一步步澄清需求、写代码、跑测试、改bug，直到通过测试为止。所有步骤都能被追踪和干预。 这些流程不是死模板，而是可以自由组合、按需调整的组件。关键不在于多复杂，而是与场景适配。 Anthropic表示：有时候，一行prompt+一个检索API，可能比一整套复杂框架跑得更稳。 感兴趣的小伙伴可以点击原文：-effective-agents
