本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 法学硕士工作流程
在代理模式中，我们探索了常见的 AI 代理模式，每种模式都围绕一组模块化功能构建：感知、行动、学习和认知。在许多代理模式中，认知模块的核心是能够进行推理、计划和决策的大型语言模型 (LLM)。但是，仅调用法学硕士学位不足以产生明智的、以目标为导向的行为。
为了可靠地执行复杂的任务，代理必须将 LLM 嵌入结构化工作流程中，通过工具、内存、计划循环和协调逻辑增强模型的功能。这些 LLM 工作流程允许代理分解目标、路由子任务、呼叫外部服务、反思结果以及与其他代理进行协调。
本章介绍构建强大、可扩展和智能 LLM 驱动的认知模块的核心设计模式，这些模块围绕可重复使用的工作流程进行组织。
**Topics**
+ [法学硕士增强认知概述](overview-of-llm-augmented-cognition.md)
+ [提示链接的工作流程](workflow-for-prompt-chaining.md)
+ [路由工作流程](workflow-for-routing.md)
+ [并行化工作流程](workflow-for-parallelization.md)
+ [编排工作流程](workflow-for-orchestration.md)
+ [赋值器的工作流程和反射优化循环](workflow-for-evaluators-and-reflect-refine-loops.md)
+ [结论](conclusion-llm-workflows.md)
# 法学硕士增强认知概述
从本质上讲，软件代理的认知模块可以看作是包含增强功能的法学硕士。代理可以使用以下构造块在其环境中进行有效的推理：
+ **提示** — 使用上下文、指令、示例和内存来构图输入
+ **检索** — 通过向量搜索 up-to-date或语义记忆（例如，通过检索增强生成 (RAG)）向 LLM 提示符提供或特定领域的知识
+ **工具使用**-允许 LLM 调用 APIs 或调用函数来检索或处理信息
+ **记忆** — 通过使用结构化数据库或情境摘要，将持续状态或基于会话的状态整合到推理循环中
这些增强功能由工作流程组成，这些工作流定义了如何随着时间的推移和跨任务使用 LLM，将其从无状态引擎转变为动态推理代理。
![\[法学硕士学位增强。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/llm-augmentation.png)
# 提示链接的工作流程
Prompt chaining 将复杂的任务分解为一系列步骤，其中每个步骤都是一个离散的 LLM 调用，用于处理或建立在前一个任务的输出之上。
![\[提示链接的工作流程。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-for-prompt-chaining.png)
提示链接工作流程适用于可以在逻辑上将任务划分为顺序推理步骤以及中间输出为下一阶段提供信息的场景。它在需要结构化思维、渐进式转换或分层分析的工作流程中表现出色，例如文档审查、代码生成、知识提取和内容完善。
## 说明
+ 任务的复杂性超过了单个 LLM 调用的上下文窗口或推理深度。
+ 一个步骤（例如分析、总结或规划）的输出将成为后续决策或生成阶段的输入。
+ 您需要跨推理阶段的透明度和控制力（例如，可审计的中间结果）。
+ 您想在步骤之间插入外部验证、筛选或扩充逻辑。
+ 它非常适合在管道式推理循环中操作的代理，例如研究代理、编辑助理、计划系统和多阶段副驾驶。
## 功能
+ LLM 调用的线性链或分支链
+ 中间结果作为结构化输入传递或嵌入到后续提示中
+ 可以与、或代理特定的运行 AWS Step Functions器 AWS Lambda一起编排
## 常见使用案例
+ 多步推理任务（例如，“总结批评重写”）
+ 研究助理合成分层输出（例如，“搜索摘录事实回答问题”）
+ 代码生成管道（“生成计划编写代码测试代码解释输出”）
# 路由工作流程
在路由模式中，分类器或路由器代理使用 LLM 来解释查询的意图或类别，然后将输入路由到专门的下游任务或代理。
![\[路由工作流程。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-for-routing.png)
路由工作流用于代理必须快速对输入意图、任务类型或域进行分类，然后将请求委托给专门的子代理、工具或工作流的场景。它在能力代理中特别有用，例如充当一般助理、企业功能的前门或跨域的面向用户的 AI 接口。
在以下情况下，路由特别有效：
+ 对各种任务（例如搜索、汇总、预订、计算）的请求进行分类。
+ 在进入更专业的工作流程之前，必须对输入进行预处理或标准化。
+ 不同的输入类型（例如，图像与文本、结构化查询与非结构化查询）需要自定义处理。
+ 代理充当对话总机，将任务委托给专业代理或微服务。
+ 这种工作流程在特定领域的副驾驶、客户支持机器人、企业服务路由器和多模式代理中很常见，在这些代理中，智能调度决定了代理行为的质量和效率。
## 功能
+ 初级法学硕士充当调度员
+ 路由可以调用不同的工作流程，甚至可以调用其他代理模式
+ 支持功能的模块化扩展
## 常见使用案例
+ 多域助手（“这是法律、医疗还是财务问题？”）
+ 通过法学硕士推理增强决策树
+ 动态工具选择（例如，搜索与代码生成）
# 并行化工作流程
此工作流程包括将任务分解为独立的子任务，这些子任务可以由多个 LLM 呼叫或代理同时处理。然后以编程方式汇总输出并合成结果。
![\[并行化工作流程。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-patterns-llm-parallelization.png)
Parallelization 工作流程用于将任务划分为可以同时处理的独立、非顺序的子任务，从而显著提高效率、吞吐量和可扩展性。它在数据密集、批处理导向或多视角问题空间中特别强大，在这些空间中，代理必须通过多个输入分析或生成内容。
在以下情况下，并行化特别有效：
+ 子任务不依赖彼此的中间结果，允许它们在没有协调的情况下并行运行。
+ 一项任务涉及对许多项目重复相同的推理过程（例如，总结多个文档或评估选项列表）。
+ 并行探索多种假设或观点，以促进多样性、创造力或稳健性。
+ 您需要通过并发 LLM 执行来减少大容量或高频请求的延迟。
+ 此工作流程通常用于文档处理代理、调查或比较引擎、批量汇总器、多代理头脑风暴以及可扩展的分类或标签任务，尤其是在快速、并行推理具有性能优势的情况下。
## 功能
+ 并行执行 LLM 任务（通过使用 AWS Lambda AWS Fargate、或 AWS Step Functions 映射状态）
+ 需要在综合阶段对结果进行校准、验证或重复数据删除
+ 非常适合无状态代理循环
## 常见使用案例
+ 并行分析多个文档或视角
+ 生成不同的草稿、摘要或计划
+ 加快批处理作业的吞吐量
# 编排工作流程
中央协调器代理使用 LLM 来规划、分解子任务，并将子任务委托给专门的工作代理或模型，每个代理或模型都有特定的角色或领域专业知识。这反映了人类团队的结构，并支持多个代理的紧急行为。
![\[编排工作流程。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-for-orchestration.png)
编排工作流程非常适合复杂、分层或多学科的场景，需要结构化分解和专业执行。它特别适合需要分工的任务，在这种情况下，任务的不同子组件最好由具有不同能力、知识或工具集的代理来处理。
在以下情况下，此工作流程特别有效：
+ 任务可以分为范围、类型或推理各不相同的子任务（例如，计划、研究、实施和测试）。
+ 法学硕士或元代理必须协调其他代理，监控进度并综合结果。
+ 您想对代理职责进行模块化，从而实现可扩展性、重复使用和专业调整。
+ 该系统要求基于角色的行为，模仿人类团队（例如项目经理、开发人员和审阅者）的协作运作方式。
Orchestration 非常适合多回合计划代理、软件开发副驾驶、企业流程代理和自主项目执行者。在实现需要集中式任务分解但需要分布式执行逻辑的多代理系统时，它特别有用，可以跨代理层实现可扩展性和更易于解释的行为。
## 功能
+ Orchestrator 执行目标元推理
+ Worker 代理可能包括工具访问权限、内存或特定域的提示
+ 可以是分层的（即多级任务委派）
## 常见使用案例
+ 项目经理、协调研究人员、作家和质量保证人员
+ 将计划、执行和测试结合在一起的编程副驾驶
+ 监督工具链或 API 访问模式的代理
# 赋值器的工作流程和反射优化循环
该工作流程提供了一个反馈循环，其中一个 LLM 生成结果，另一个法学硕士评估或批评结果。这促进了自我反思、优化和迭代改进。
![\[评估人员的工作流程。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-patterns-evaluator-reflect-refine-feedback-loop.png)
评估器工作流程非常适合输出质量、准确性和对齐性很重要，以及单通道生成不可靠或不足的场景。当工程师必须自我批评、迭代和完善其输出时，这种工作流程非常出色，要么是为了达到更高的正确性标准，要么是为了根据反馈探索改进的替代方案。
在以下情况下，此工作流程特别有效：
+ 输出涉及主观质量指标（例如风格、语气和可读性）或客观标准（例如正确性、安全性和性能）。
+ 代理必须权衡推理、评估约束条件或针对目标进行优化。
+ 您需要内置的冗余和质量保证，尤其是在受管制、面向客户或创意领域。
+ Human-in-the-loop 审核费用昂贵或不可用，需要自主验证。
此工作流程用于内容生成、代码合成和审查、策略执行、对齐检查、指令调整和 RAG 后处理。它对自我完善的代理也很有用，在这些代理中，持续的反馈有助于随着时间的推移形成更好的响应，从而建立值得信赖的自主决策循环。
## 常见使用案例
+ 红队特工与蓝队经纪人的比较
+ 生成、评估和修改代码或计划的代理
+ 质量保证、幻觉检测和风格强制执行
## 功能
+ 支持使用不同的模型进行解耦生成和评估（例如，Claude 用于生成，Mistral 用于评估）
+ 反馈是结构化的，用于提示修改后的产出
+ 支持多次迭代或收敛阈值
# 结论
LLMs 提供了现代软件代理的认知核心，但是原始模型调用不足以实现有目的、强大和可控的智能。要从输出生成转向结构化推理和目标一致的行为， LLMs 必须嵌入到定义模型如何处理输入、管理上下文和协调操作的有意的工作流程模式中。
法学硕士工作流程引入了构建代理认知模块的基础：
+ 提示链接将复杂的推理分解为模块化、可审计的步骤。
+ 路由支持智能任务分类和定向委派。
+ 并行化可加快吞吐量并促进多样化推理。
+ 代理编排通过任务分解和基于角色的执行来构建多代理协作。
+ Evaluator（反射精炼循环）可实现自我完善、质量控制和校准检查。
每个工作流程都代表一种可组合模式，可以根据代理的需求、任务的复杂性和用户的期望进行调整。这些工作流程并不相互排斥。它们是构建块，通常组合成支持动态推理、多代理协调和企业级可靠性的混合架构。
当你过渡到关于代理工作流程模式的下一章时，这些 LLM 工作流程将作为嵌入式结构重新出现在更大的系统中，支持目标授权、工具编排、决策循环和生命周期自主权。掌握这些法学硕士工作流程对于设计软件代理至关重要，这些代理不仅可以预测文本，还可以有目的地进行推理、调整和行动。