21、Agent Patterns — 不同任务用不同模式

Agent 架构首先是控制流问题。模型可以负责局部判断，但任务的整体结构应该由程序明确表达。常见模式如下：

模式	结构	适合	主要风险
Router	先分类，再交给专门 Agent	意图差异明显的请求	分类错误
Sequential	A 的输出交给 B	固定步骤的分析、生成、校验	中间结果污染后续步骤
Parallel	多个分支同时执行，再汇总	独立检索、投票、对比	成本和结果合并
Evaluator-Optimizer	生成器与评审器循环	文案、代码、答案改进	评审标准不稳定
Hierarchical	管理 Agent 拆解并分派子任务	大型研究或执行任务	层级过深、责任不清

选择顺序

先问三个问题：步骤是否固定、分支是否独立、结果是否需要反复评审。固定步骤用工作流；独立分支才并行；质量标准能被写成检查表时再加入评审器。

def run_request(request):
    route = classify(request)
    if route == "lookup":
        return lookup_workflow(request)
    if route == "write":
        draft = writer(request)
        return editor(draft)
    return human_review(request)

可靠性边界

• 每个节点只接受结构化输入，并校验输出。
• 每个分支都有超时、预算和取消信号。
• 汇总节点保留来源，不能把多个不确定结果拼成确定事实。
• 反思不是“再问模型一次”，而是明确检查项、失败条件和最大轮次。

LangGraph 将 Agent 建模为可持久化的状态图，Google ADK 也把 LLM Agent 与工作流 Agent 分开；这两种实践都说明“模型节点”和“确定性流程”应该分层。LangGraph · Google ADK

练习

为同一个“研究一家公司并给出结论”的需求分别实现 Router、Parallel 和 Evaluator-Optimizer，记录成功率、耗时、token 和错误类型，再比较哪种模式最适合真实约束。