转载：小红书 AI产品赵哥
前言 🔖
之前聊过 Agent 的设计哲学、配置和幻觉治理。单 Agent 的问题大家应该比较清楚了。
但真到了面对复杂业务需求的场景，往往会卡在另一个地方：怎么把这些 AI 能力组织起来，让它们像个团队一样配合，而不是各干各的？
这才是 AI 应用设计的核心 —— 工作流模式（Workflow Pattern）。
一个 AI 应用，不管界面多花哨，本质上都是由一个或多个工作流驱动的。工作流的设计，决定了它只是个问答助手，还是能独立完成复杂任务的工具。
这篇文章解析 6 种最常见的工作流模式。掌握它们，就能根据不同任务需求灵活组合，搭建出复杂的智能系统。
贯穿全文的案例是一个叫【食光旅行】的 AI 旅游规划应用。
用户说：”下个月带爸妈去云南玩一周，他们喜欢自然风光，不喜欢太累的行程，预算每人 8000 块，帮我规划一下。”
一、链式工作流🔖
这是最基础、最直观的工作流模式。它的设计逻辑，就像一条工业流水线：把一个复杂的任务，拆解成一系列线性的、有先后顺序的步骤。前一步的产出，直接成为下一步的输入，从头到尾，一步步地加工，最终得到成品。
在【食光旅行】案例中，链式工作流的应用
- 第一步：意图识别。AI 首先要解析用户的自然语言需求：“下个月”、“带爸妈”、“云南”、“一周”、“自然风光”、“不累”、“预算 8000 / 人”。它会把这些关键词提取出来，结构化成一个 JSON 对象。
{
"destination": "云南",
"duration": 7,
"travelers": ["parents"],
"preferences": ["natural scenery", "relaxed pace"],
"budget_per_person": 8000
}
- 第二步：信息检索。基于上一步的结构化需求，AI 会去调用一系列工具：
- 调用航班 / 高铁 API：查询下个月去云南主要城市（昆明、大理、丽江）的往返交通价格。
- 调用酒店预订 API：查询这些城市符合 “舒适”、“安静” 标签的酒店，筛选出价格在合理范围内的。
- 访问内部的景点知识库：找出云南省内符合 “自然风光”、“不累”（比如，排除需要大量徒步的虎跳峡）的景点，如洱海、普达措国家公园等。
- 检索美食推荐数据库：找出适合老年人口味的当地特色餐厅。
- 第三步：行程生成。AI 会将检索到的所有信息，按照一个预设的 “行程单模板”，进行填充和编排，生成一个初步的 7 天行程草稿，包括每天的交通、住宿、景点安排和餐饮建议。
- 第四步：校验与润色。AI 最后会对生成的行程单进行检查，比如：
- 计算总预算是否超标。
- 检查景点之间的交通时间是否合理，会不会导致行程太赶。
- 用更人性化、更有吸引力的语言，对行程描述进行润色。
【适用场景】
- 任务流程非常明确、固定的场景，如报告生成、单据审批、内容发布等。
- 需要一步步打磨输出结果的场景，前一步的质量直接决定后一步的输入质量。
【核心价值】
降低了复杂任务的认知负载。通过拆解，每个步骤都变得简单可控，便于开发、调试和监控。特别适合那些标准化程度高的任务。
二、路由式工作流🔖
现实世界的需求，往往不是一条直线。当任务有多种可能性时，我们就需要一个大总管来做决策，把不同的任务，分发到最合适的处理路径上。这就是路由式工作流。
它的设计逻辑是，在工作流的入口设置一个决策节点，根据收到的信息进行分类，然后像铁路警察指挥火车变轨一样，将任务导向不同的处理分支。
在【食光旅行】案例中，路由式工作流的应用
用户和 AI 的交互，不会永远是第一次规划。可能会有后续的追问。
- 决策节点：用户意图分类。当用户发送一条新消息时，AI 首先要判断这条消息的意图。
- 用户说：“帮我把第三天大理的酒店，换成一家能看到海的客栈。” → 意图：修改行程
- 用户说：“去云南需要准备些什么？那边天气怎么样？” → 意图：行前咨询
- 用户说：“你觉得大理和丽江哪个更好玩？” → 意图：开放式闲聊
- 路径分支：调用不同的处理流程。
- 识别为修改行程：AI 会激活行程编辑子流程。它会锁定当前行程的第三天，重新调用酒店 API，并加上海景的筛选条件，然后用新的酒店信息更新原行程单。
- 识别为行前咨询：AI 会激活知识库问答子流程。它会去检索内部的旅游攻略知识库，找到关于云南天气、必备物品清单的标准化内容，并直接返回给用户。
- 识别为开放式闲聊：AI 会激活观点生成子流程。它会综合知识库里面关于大理和丽江的优缺点（比如大理更文艺悠闲，丽江更商业化热闹），生成一段比较中立、带有建议性的回答。
【适用场景】
- 任务入口类型多样，但可以被清晰地归为几个不同类别的场景，如智能客服的工单分类、多轮对话的意图分流、不同类型文档的自动化处理。
- 需要根据任务的优先级、复杂程度来动态分配不同资源的场景。
【核心价值】
告别一刀切，实现精准打击。它极大地提高了任务处理的效率和匹配度，避免了让一个全能但不精的流程去处理所有问题。
三、评估优化式工作流🔖
一次就生成完美结果，几乎是不可能的。这个工作流模式，在系统中引入了一个 “批评家” 的角色，形成了一个生成 → 评估 → 优化的反馈闭环。它就像一个严格的师傅，不断地对徒弟（生成器）的作品进行挑错和指点，直到作品达到标准为止。
在【食光旅行】案例中，评估优化式工作流的应用
AI 在生成行程初稿后（链式工作流的第三步），并不会直接交给用户。而是会先进入一个内部的评估优化循环。
- 生成器：生成了行程初稿。
- 评估器：由几个专家评估员 Agent 组成，它们会对初稿进行多维度检查：
- 预算评估员：调用计算工具，把所有机票、酒店、门票、预估餐饮的费用加起来，检查是否超过了用户 “每人 8000” 的预算。如果超了，它会给出意见：“总预算超支 1200 元，建议将丽江的五星级酒店降为四星级，可节省 1500 元。”
- 舒适度评估员：检查行程安排。如果发现 “第三天上午游览完玉龙雪山，下午马上要赶 4 小时车去大理”，它会判断这不符合用户 “不累” 的要求，并给出意见：“第三天行程过于紧张，建议将玉龙雪山和大理的行程拆分到两天。”
- 事实核查员：检查关键信息的准确性。比如，它发现行程里安排了 “周一参观云南省博物馆”，它会调用搜索引擎或知识库查一下，发现该博物馆周一闭馆，于是给出意见：“云南省博物馆周一闭馆，请调整参观时间。”
- 优化循环：生成器接收到这些具体的、可执行的修改意见后，会有针对性地对行程进行修改，然后再次提交给评估器。这个过程会循环往复，直到所有的评估员都 “亮绿灯” 为止。
【适用场景】
- 对输出结果的质量、准确性、合规性有极高要求的任务，如代码编写、法律文书撰写、医疗报告生成、金融风控等。
- 需要兼顾自动化效率和人工兜底的场景，避免 AI 输出一些不负责任的、有风险的内容。
【核心价值】
通过机器（或人机协作）的反复迭代，无限趋于完美。它将 AI 的创造力与评估规则的严谨性相结合，极大地提升了最终输出的可靠性，减少幻觉。
四、并行式工作流🔖
当一个大任务可以被拆分成多个互不依赖的子任务时，让它们排队一个个做，显然太慢了。并行式工作流，就是把这些子任务，同时分发下去，让多个处理单元并驾齐驱，最后再把结果汇总起来。这就像一个多核 CPU，能同时处理多个线程。
在【食光旅行】案例中，并行式工作流的应用
还记得链式工作流的第二步信息检索吗？AI 需要查询交通、酒店、景点、美食等多种信息。这些查询任务之间，是完全独立的，查询航班的结果，并不会影响查询酒店的结果。
所以，一个更高效的做法是：
- 任务分片：将信息检索这个大任务，拆分成四个独立的子任务。
- 并行执行：同时启动四个独立的检索 Agent：
- 交通 Agent：去调用航班和高铁 API。
- 住宿 Agent：去调用酒店预订 API。
- 景点 Agent：去查询景点知识库。
- 美食 Agent：去查询美食推荐数据库。
- 结果聚合：等待所有四个 Agent 都返回结果后，将这些结果汇总到一起，交给下一步的行程生成器。
通过并行化，原来可能需要依次执行 40 秒的检索任务，现在可能只需要 10 秒（取决于最慢的那个子任务）就能完成。
【适用场景】
- 任务可以被分解为多个独立的、可同时执行的子模块。最典型的就是多模态分析，对一个视频的处理，可以并行地分析它的画面、声音和字幕。
- 对处理速度和实时性要求极高的场景，如金融市场的高频交易分析、网络安全入侵的实时监测。
【核心价值】
打破串行处理的瓶颈，成倍提升计算资源的利用率和任务处理效率。特别适合处理大规模、可分解的数据。
五、规划式工作流🔖
前面几种模式，或多或少都有些死板。但现实世界的项目，充满了不确定性。一个工具调用失败了怎么办？一个 API 突然不可用了怎么办？规划式工作流，就是为了应对这种动态变化而生的。
它的设计逻辑，模仿了人类优秀项目经理的思考方式：先分解目标，再动态地选择最合适的工具，并时刻监控执行过程，随时准备调整计划。
在【食光旅行】案例中，规划式工作流的应用
用户下达了规划指令后，规划器 Agent 开始工作。
- 任务分解：它将 “规划云南 7 日游” 这个复杂目标，分解成一系列子任务，形成一个初步的计划图（Graph）。
- 工具选择与编排：
- 对于 “查询机票” 这个子任务，它发现系统里有两个可用的工具：
Ctrip_API_Tool和Fliggy_API_Tool。它会优先选择默认的Ctrip_API_Tool。 - 它知道，酒店查询必须在机票查询之后，因为要先确定落地的城市和日期。于是，它在计划图中，建立了一个从机票查询到酒店查询的依赖关系。
- 对于 “查询机票” 这个子任务，它发现系统里有两个可用的工具：
- 执行监控与动态修正：
- Agent 开始执行计划，调用
Ctrip_API_Tool。但突然，该 API 返回了一个503 Service Unavailable错误。 - 规划器 Agent 监控到了这个失败事件。它不会就此罢休，而是会立刻重新规划。
- 它查阅了工具列表，找到了备用的
Fliggy_API_Tool。于是，它更新了计划图，将查询机票这个任务，重新指派给Fliggy_API_Tool，并再次执行。 - 这一次，调用成功了。整个工作流得以继续向下推进。
- Agent 开始执行计划，调用
【适用场景】
- 多步骤、长链条、充满不确定性的复杂项目，如软件开发、产品迭代、活动策划、科学研究。
- 需要实时应对环境变化、资源短缺、工具失效的场景。
【核心价值】
让 AI 从一个死板的脚本执行者，变成一个能灵活应变各种问题的解决者。它赋予了 AI 系统极强的鲁棒性和适应性。
六、协作式工作流🔖
这是高级且复杂的模式。它不再是关于一个 AI 如何工作，而是关于一群 AI 如何像一个人类顶尖团队一样协同工作。
它的设计逻辑，是为系统中的每个 AI Agent，赋予一个明确的、单一的角色，比如协调者、执行者、审查者等。然后通过一套通信协议和共享知识库，让它们形成一个 “分工明确、各司其职、互相配合、成果校验” 的社会化工作网络。
在【食光旅行】案例中，协作式工作流的应用
为了提供最高质量的旅游规划，系统后台部署了一个由多个专家 Agent 组成的规划工作室。
- 客户经理 Agent（协调者）：负责直接与用户沟通，理解用户的深层需求，并将任务拆解。
- 执行者 Agent 团队：
- 交通专家 Agent：专门负责研究和预订最优性价比的机票、火车票和当地包车。
- 酒店专家 Agent：专门负责根据用户偏好，在全球酒店库中挑选最合适的住宿。
- 体验设计师 Agent：专门负责设计独特的当地体验，比如 “参加一个白族扎染手工作坊” 或 “在纳西族人家家里吃一顿家常菜”。
- 审查者 Agent 团队：
- 预算审计师 Agent：在整个规划过程中，实时监控每一笔开销，确保总预算不超标。
- 行程合理性审查员 Agent：专门负责评估行程的节奏、路线的顺畅度，防止出现不合理的安排。
工作流程：客户经理接到任务后，会召开一个项目启动会（即分发任务），让各位专家并行地去工作（并行式工作流）。专家们完成后，将方案提交给审查者团队进行评估和优化（评估优化式工作流）。最终，所有方案由客户经理整合，形成一份高度个性化、高质量的行程方案，交付给用户。
【适用场景】
- 需要多种深度专业知识才能完成的复杂任务，如法律咨询、医疗会诊、金融投资策略制定。
- 对流程合规性、结果可靠性有极高要求的严肃场景，如银行信贷审批、保险理赔核定。
【核心价值】
打破单个智能体的能力上限。通过精细化的分工与协作，将复杂问题分解到每个环节都可控，让整个系统的可靠性、专业性和鲁棒性都得到指数级的提升。
七、来来来，总结一下吧🔖
今天，咱聊了六种大厂常见的 AI 工作流模式。它们不是相互孤立的，在真实的 AI 应用中，往往是多种模式的灵活嵌套和组合。
- 链式：解决了 “按什么顺序做” 的问题。
- 路由式（评估优化前文叫评估优化式，这里路由式即之前评估优化式）：解决了 “该由谁来做” 的问题。
- 评估优化式：解决了 “怎么能做得更好” 的问题。
- 并行式：解决了 “怎么能做得更快” 的问题。
- 规划式：解决了 “遇到意外怎么办” 的问题。
掌握这些模式，对于任何一个想在 AI 时代保持竞争力的人来说，都至关重要。它能让你在面对一个新需求时，不再是茫然地去试探 Prompt，而是能够深入的想一想：“这个问题，用哪种工作流模式最合适？能不能把几种模式结合起来，在成本、效率和质量之间找到最佳的平衡点？”
💡 行动建议
先从理解每一种模式的单一应用开始，然后尝试在你自己的小项目或日常工作中，去识别和应用它们。