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。

# 提示链接传奇模式
<a name="prompt-chaining-saga-patterns"></a>

通过将 LLM 提示链重新构想为一个事件驱动的传奇，我们解锁了一种新的运营模式：工作流程变得分散、可恢复，并且可以跨自治代理进行语义协调。每个提示响应步骤都被重新定义为原子任务，作为事件发出，由专用代理使用，并富含上下文元数据。 

下图是 LLM 提示符链接的示例：

![\[LLM 提示链接。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-patterns-llm-prompt-chaining.png)


## saga 编配
<a name="saga-choreography"></a>

传奇编舞模式是一种在没有中央协调器的分布式系统中的实现方法。相反，每个服务或组件都会发布触发下一个工作流程操作的事件。这种模式广泛用于分布式系统中，用于管理跨多个服务的交易。在传奇中，该系统运行了一系列协调的本地交易。如果一个失败，系统会触发补偿操作以保持一致性。

下图是传奇编舞的示例：

![\[传奇编舞。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-patterns-saga-choreography.png)


1. 预留库存

1. 授权付款

1. 创建配送订单

如果步骤 3 失败，系统将调用补偿操作（例如，取消付款或发放库存）。 

这种模式在事件驱动架构中特别有价值，在这种架构中，服务是松散耦合的，即使存在部分故障，也必须随着时间的推移一致地解析状态。

## 提示链接模式
<a name="prompt-chaining-pattern"></a>

提示链接在结构和目的上都类似于传奇模式。它执行一系列推理步骤，这些步骤按顺序构建，同时保留上下文并允许回滚和修订。

## 特工编舞
<a name="agent-choreography"></a>

1. LLM 解释复杂的用户查询并生成假设

1. 法学硕士详细制定了解决任务的计划

1. LLM 执行子任务（例如，通过使用工具调用或检索知识）

1. 如果LLM认为结果不令人满意，则会完善输出或重新审视之前的步骤

如果中间结果存在缺陷，则系统可以执行以下操作之一：
+ 使用其他方法重试这些步骤
+ 恢复到之前的提示并重新计划
+ 使用赋值器循环（例如，来自赋值器-优化器模式）来检测和纠正故障

与传奇模式一样，提示链接允许部分进度和回滚机制。这是通过迭代优化和 LLM 指导的校正来实现的，而不是通过补偿数据库事务来实现的。

下图是特工编舞的示例：

![\[特工编舞。\]](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/agentic-ai-patterns/images/workflow-patterns-agent-choregraphy.png)


1. 用户通过 SDK 提交查询。

1. Amazon Bedrock 代理通过以下方式精心策划推理：
   + 口译（法学硕士）
   + 规划（法学硕士）
   + 通过工具或知识库执行
   + 响应构建

1. 如果工具出现故障或返回的数据不足，代理可以动态地重新计划或重新表述任务。

1. 内存（例如，短期向量存储）可以跨步骤保持其状态

## 外卖
<a name="takeaways-prompt-chaining"></a>

传奇模式使用补偿逻辑管理分布式服务调用，而提示链则通过反射式排序和自适应重新规划来管理推理任务。这两个系统都允许渐进式进展、分散的决策点和故障恢复，所有这些都是通过明智的推理而不是僵硬的回滚来实现的。

提示链接引入了交易推理，这在认知上等同于传奇。也就是说，作为更广泛的目标导向对话的一部分，每个 “想法” 都会被重新评估、修改或放弃。