Lesson 0004 · 约 15 分钟

编排、Workflow 与多 Agent

本课训练架构取舍：什么时候应该用确定性 workflow，什么时候用单 Agent，什么时候才值得拆成多个 Agent。

先问“为什么动态”

Agent 架构不是自主性越高越先进。先把任务拆成三类问题：

  1. 路径是否已知？如果步骤、规则和输出格式稳定，优先写成 workflow。
  2. 下一步是否需要根据观察动态选择？如果是，单 Agent 往往足够。
  3. 是否存在清晰的上下文、权限或并行边界？只有这时才考虑多 Agent。
最小充分自主性：只给系统完成任务所需的动态决策权，不把本来可以确定的控制流交给模型。

Anthropic 将 prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer 和 agents 视为不同的组合模式，并建议从最简单的方案开始。阅读原文。

六种模式如何区别

Prompt chaining

固定的模型步骤串联。适合“抽取 → 校验 → 改写”这类路径明确的任务。

Routing

先分类，再选择路径、工具或专长 Agent。分类错误需要明确的 fallback。

Parallelization

独立子任务同时执行，最后汇总。要定义部分失败、超时和结果冲突。

Orchestrator-workers

中央 Agent 动态拆分任务，worker 返回结构化局部结果。

Evaluator-optimizer

生成与评估交替，适合有明确质量标准且允许多轮修正的产物。

Handoff

当前 Agent 把控制权交给另一个 Agent；交接的是任务所有权，不是随意复制全部上下文。

PegaFlow 故障调查 Agent

调查 KV transfer timeout 时，可以把“收集事实”写成 workflow，再让一个诊断 Agent 动态判断下一步。只有在日志、代码和配置分析确实需要独立上下文或权限时，才拆 worker。

固定入口创建 incident、锁定时间范围、读取节点状态
诊断 Agent根据观察选择日志、代码或配置检查
路由与预算限制并发、工具权限、调用轮次和成本
专长 worker必要时并行分析 trace、代码符号和运行配置
汇总与升级合并证据，给出结论或交给人工处理

确定性入口包围动态诊断；多 Agent 只出现在有真实边界的局部

多 Agent 的四种边界

  1. 上下文边界：worker 只获得完成子任务所需的证据，避免共享无关历史。
  2. 权限边界：worker 只能使用自己的工具和数据，不能通过 handoff 绕过审批。
  3. 状态边界：一个组件拥有事实状态，其他 Agent 返回建议或带来源的结果。
  4. 生命周期边界：每个 Agent 有清晰的输入、输出、超时、预算和失败协议。

OpenAI Agents SDK 的 handoff 把控制权转移和输入过滤显式化；这正是多 Agent 设计应关注的协议，而不是仅仅创建更多模型实例。查看 handoff 文档。

选择题：先选最小架构

问题 1：步骤和规则都已知的“抽取 → 校验 → 输出”最适合什么？

问题 2：多个独立子任务需要同时运行，优先考虑哪种模式？

问题 3：决定是否增加 Agent，最先需要确认什么？

本课主阅读

Anthropic: Building Effective Agents。阅读时比较 workflow 与 agents 两节：每个模式带来了什么能力，又引入了什么新的失败面？

完成后，请为一个你熟悉的任务选择 workflow、单 Agent 或多 Agent，并说明：动态性在哪里，边界在哪里，失败如何回收。