顺序、并行与评估优化

工作流与 Agent 自主性并不对立。Anthropic 将两者的关系类比为制造业流水线：每个工位的工人可以自主决策，但整体流程是预先设计好的。完全自主的 Agent 自行决定使用哪些工具、执行顺序以及何时停止；而工作流则在此基础上提供整体结构，设定检查点并划定每个步骤的边界，同时仍允许 Agent 在边界内进行动态决策。这种设计让开发者既能获得 Agent 的推理能力，又能保证跨任务流程的一致性与可控性。

顺序工作流是最基础的模式，按预定顺序逐步执行任务，每个阶段的输出作为下一阶段的输入，形成清晰的线性链路。这一模式适用于具有明确依赖关系的多阶段流程，例如先生成营销文案再翻译成多种语言，或从文档中提取数据、校验格式后写入数据库。内容审核流水线同样适合顺序处理。需要注意的是，顺序模式会引入额外延迟，因为每个步骤必须等待上一步完成。Anthropic 建议先尝试单 Agent 方案，只有在单 Agent 无法可靠完成任务时才拆分为多步骤工作流。

并行工作流将相互独立的任务分发给多个 Agent 同时执行，最后汇总结果。这一模式借鉴了分布式系统中的扇出/扇入思路，适合需要从多个维度评估同一问题，或可将工作拆分为互不依赖子任务的场景。并行模式还带来工程上的分工优势：不同团队可以独立拥有和优化各自的 Agent，互不干扰。代价是并发 API 调用会增加成本，同时需要设计合理的结果聚合策略。

评估优化工作流专为需要迭代打磨的输出而设计。当初稿质量不达标时，评估器 Agent 对输出进行审查并提供结构化反馈，优化器 Agent 据此修改，循环往复直至满足质量标准。这一模式适用于技术文档撰写、客户沟通内容生成以及需要符合特定规范的代码生成等场景。其代价是 Token 消耗成倍增加，迭代也会拉长整体耗时，因此只有在能够明确衡量质量提升的情况下才值得引入。

三种模式并非互斥，而是可以组合嵌套使用的构建块。随着业务需求演进，开发团队往往会将多种模式混合部署：例如在顺序流程的某个步骤内嵌入并行子任务，或在并行分支的输出汇总后接入评估优化循环。Anthropic 强调，选择工作流模式的核心原则是从最简单的方案出发，只在有明确收益时才增加复杂度，避免为了使用模式而强行套用模式，从而引入不必要的工程负担。

要点

• 顺序、并行、评估优化三种工作流模式覆盖了生产环境中绝大多数 AI Agent 用例，选错模式会直接影响延迟、成本与可靠性。
• 顺序工作流适合有明确依赖关系的多阶段任务，但会引入额外延迟；建议先验证单 Agent 方案，确认不足后再拆分。
• 并行工作流可提升独立任务的处理速度并实现工程分工，但需承担更高的并发调用成本和结果聚合复杂度。
• 评估优化工作流通过结构化反馈循环提升输出质量，适合对质量要求高的场景，但会显著增加 Token 消耗和耗时。
• 三种模式可组合嵌套，开发者应遵循「从最简单方案出发」的原则，仅在有可量化收益时才引入更复杂的模式。