在人工智能领域，构建高效、可靠的 AI 应用是工程师们面临的关键挑战。大型语言模型（LLM）的兴起为我们带来了无限可能，但如何有效地利用它们，设计出能够解决实际问题的 AI 代理和工作流，仍然是一个值得深入探讨的话题。本文将带您深入了解 AI 代理与工作流的设计模式，从热点争议到设计原则，帮助您构建更强大的 AI 应用。我们将在文中探讨如何选择合适的框架，并深入分析设计决策背后的考量因素，助力您在AI工程的道路上更进一步。
关键要点
了解AI代理与工作流设计模式的重要性。
掌握 Mastra 框架的核心概念和使用方法。
分析构建高效AI应用的关键设计原则。
探讨LLM工具的选择及其对应用性能的影响。
理解如何在Power和控制之间做出权衡。
认识到设计模式不是一成不变的，需要根据具体场景进行调整。
探索利用代理和工作流组合可以达成的设计。
背景：理解AI 代理和工作流
为什么AI 代理和工作流至关重要？
ai 代理和工作流是构建复杂 ai 应用的基础。它们允许我们将大型语言模型（llm）的能力分解为更小、更易于管理的模块，并通过精心设计的流程将这些模块组合起来，从而实现特定的目标。这种模块化和流程化的方法可以提高应用的可维护性、可扩展性和可靠性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
构建有效的代理和工作流程需要仔细的规划、深入的领域知识和对可用工具的理解。通过将复杂的任务分解为一系列更小的步骤，您可以创建能够更准确、更可靠地执行这些任务的系统。例如，考虑创建一个客户服务聊天机器人。通过使用代理和工作流程，您可以将对话分成几个阶段：理解用户意图，检索相关信息，生成回复，并跟踪对话历史记录。每个阶段都由一个专门的代理处理，而工作流程定义了这些代理如何协同工作以提供无缝的用户体验。
有效代理和工作流程的好处
构建良好的代理和工作流程有很多好处，包括：
- 提高准确性：通过将任务分解为更小的步骤，您可以减少错误的风险并提高整体准确性。
- 更高的可靠性：精心设计的工作流程可以帮助确保您的应用程序即使在面临意外输入或错误时也能正常运行。
- 更好的可维护性：模块化方法使您可以更轻松地更新、修改和扩展您的应用程序。
- 提高可扩展性：通过将应用程序分解为独立的组件，您可以更轻松地处理不断增加的负载并适应新的用例。
- 增强用户体验：良好设计的代理和工作流程可以帮助您创建更直观、更高效且更愉悦的用户体验。
Anthoropic的洞见：代理与工作流的定义
在探索 AI 代理和工作流的世界时，我们必须首先理解这些概念的本质。在 2024 年 12 月，Anthoropic 发布了一篇极具影响力的博客文章，为代理和工作流提供了一个规范的定义，这篇博文也被之前的演讲多次引用。Anthoropic 的博文强调了使用简单、可组合模式的重要性，避免过度依赖复杂的框架或库，
这篇博文题为《构建高效代理(Building effective agents)》，博客中通过清晰的图表和示例，阐述了代理和工作流的核心概念。文章指出，成功的 LLM 代理实现往往依赖于简单的、可组合的模式，而不是复杂的框架或库。这种方法强调了灵活性和可维护性，使得开发者能够根据不同的用例定制代理行为。
Anthoropic 博客文章中讨论的一些关键概念包括：
- 扩充的 LLM：LLM 代理的核心是扩充的 LLM，它使用检索、工具和内存等扩充进行增强。
- 提示链：提示链涉及将任务分解为一系列步骤，其中每个 LLM 调用处理上一个调用的输出。
- 路由：路由工作流程根据输入类型将输入定向到专门的后续任务。
- 编排器-工作者：编排器-工作者工作流程涉及中央编排器动态分解任务，将其委托给工作者 LLM 并综合其结果。
Anthoropic提出的经典模型
Anthoropic 模型强调 LLM 代理需要具备以下能力：
- 检索（Retrieval）： 从外部知识源获取信息。
- 工具（Tools）： 使用外部工具执行特定任务，例如搜索网络或运行代码。
- 记忆（Memory）： 存储和检索过去的信息，以便在后续决策中使用。
这些能力共同构成了一个完整的 AI 代理，使其能够自主地执行复杂的任务。
让我们用一个表格来总结Anthoropic提出的工作流类型，以备查阅：
| 工作流类型 | 描述 | 何时使用 |
|---|---|---|
| 提示链 | 将任务分解为一系列步骤，其中每个 LLM 调用处理上一个调用的输出。 | 适合分解为顺序步骤的任务，可以添加程序化检查以确保流程仍在正轨上。 |
| 路由 | 根据输入类型将输入定向到专门的后续任务。 | 允许关注点分离并构建更专业的提示，避免优化一种输入而损害其他输入的性能。 |
| 编排器-工作者 | 中央编排器动态分解任务，将其委托给工作者 LLM 并综合其结果。 | 适用于无法预测所需子任务的复杂任务，子任务的灵活性根据具体输入动态确定。 |
OpenAI的实践指南：为何引发争议？
2025年 4 月，OpenAI 也发布了一份关于构建代理的实践指南，但这份指南在 Twitter 上引发了一些争议。一些人认为，OpenAI 的指南并没有提供太多新颖的内容，只是对现有知识的重复。争议点在于，OpenAI 似乎在某种程度上否定了工作流的重要性。
S W X 在一篇博文中对此进行了回应，指出了 OpenAI 指南中存在的不足之处。一些评论员认为，OpenAI 的指南缺乏深度，未能充分解决构建 AI 代理的实际挑战。
争议的核心：反工作流语言
OpenAI 指南中最大的争议点在于其对工作流的否定态度。OpenAI 似乎认为，显式地定义工作流可能会限制 AI 代理的灵活性和创造性。然而，许多开发者认为，结构化的工作流对于构建可靠、可维护的 AI 应用至关重要。
这种观点上的差异反映了 AI 领域中关于如何最好地利用 LLM 的持续辩论。一些人认为，我们应该尽可能地赋予 LLM 自由，让它们自主地探索解决方案。另一些人则认为，我们需要对 LLM 施加更多的控制，以确保它们的行为符合我们的期望。
热点争议：大型模型供应商的角色与责任
大型模型供应商的责任：提升行业认知，避免误导
在探索AI代理和工作流的构建过程中，我们必须重视大型模型供应商所扮演的角色及其肩负的责任。由于这些供应商在整个生态系统中占据着举足轻重的地位，因此，他们所发布的任何声明或指南都具有潜在的影响力，能够塑造行业内的认知和实践。
值得注意的是，当大型模型供应商发布与行业普遍认知相悖的观点时，可能会造成混淆或误导。一个典型的例子是，供应商可能会贬低工作流的重要性，而实际上，清晰定义的工作流对于确保AI代理的可追溯性和可靠性至关重要。
因此，我呼吁大型模型供应商承担起更大的责任，为行业提供准确、全面的信息，避免发布可能导致从业者误入歧途的声明。作为领域内的关键参与者，他们有责任促进有益的讨论，并支持那些旨在构建强大、可信赖且合乎道德的AI系统的实践。
原则：构建更有效的AI 代理
不要成为“那个人”：行业贡献与合作
在人工智能领域，有一种现象被称为“那个人”。“那个人”指的是那些自认为掌握了唯一正确的开发方法，并且对其他人的工作嗤之以鼻的人。尤其是在行业头部公司，担任对外角色的“那个人”会通过自身的影响力，对他人进行说教，要求其他人应该怎么做。我们应抵制成为“那个人”，保持开放的心态，尊重不同的观点和方法，才能共同推动 AI 领域的进步。
这体现在要认识到每个项目都有其独特的挑战和需求，因此没有一种“一刀切”的解决方案。相反，我们应该提倡一种鼓励实验、协作和知识共享的文化。
记住，我们都在学习的过程中，并且从彼此的经验中受益。通过避免自负和拥抱谦逊，我们可以创建一个更具包容性和创新性的 AI 社区。
远离“那个人”的建议：
- 保持谦逊：认识到您并不拥有所有答案，并且始终有进步的空间。
- 保持开放的心态：愿意倾听不同的观点并考虑替代方法。
- 尊重他人：重视同事的贡献并避免居高临下的态度。
- 协作：与他人分享知识和经验，共同解决难题。
- 继续学习：了解该领域的最新进展并不断发展您的技能。
拥抱多样性：避免框架API中的图论术语
在构建 AI 代理和工作流时，我们应该避免过度依赖图论术语（如图、节点、边等）。虽然图论在某些情况下可能很有用，但它并不是理解和构建 AI 系统的必要条件。过度使用图论术语可能会使新手感到困惑和排斥，从而阻碍 AI 领域的普及。我们必须以更易于理解的方式来表达复杂的概念，让更多的人能够参与到 AI 的开发中来。
与其依赖图论术语，不如探索更直观、更易于理解的替代方案。例如，我们可以使用流程图、状态图或简单的代码示例来描述 AI 代理和工作流的行为。
通过这样做，我们可以使 AI 更易于访问，并鼓励更广泛的人群参与。
为什么要避免图论术语？
- 增加了复杂性：对于不熟悉图论的人来说，图、节点和边等概念可能难以掌握。
- 制造了障碍：过度使用技术术语会阻止新手进入 AI 领域。
- 限制了创造力：过于严格地遵循图论可能会限制我们探索替代解决方案。
如何以更易于理解的方式表达概念：
- 使用简单的语言：避免使用行话和技术术语，而是选择清晰简洁的语言。
- 提供视觉辅助：使用图表、插图和动画来解释复杂的概念。
- 使用代码示例：演示如何在实际场景中实现不同的概念。
- 专注于高级概念：避免陷入不必要的细节，而是专注于最基本的核心思想。
设计选择的权衡：Power 与控制
? ProsPower：可以更好的让AI Agent 自主发挥
减少人为干预
更加动态
? ConsControl：可能产生不可控风险
难以溯源
可能出现预期外行为
常见问题
什么是AI 代理?
AI 代理是在特定环境中运行并自主执行任务的智能体。它们通常使用大型语言模型（LLM）作为其核心引擎，并结合其他工具和技术来实现特定的目标。你可以把agent当作一个具备一定能力和记忆的AI助手。
什么是AI 工作流?
AI 工作流是一系列有序的步骤，用于实现特定的 AI 任务。它可以被认为是一个流程图，定义了数据如何流动、哪些代理参与以及如何做出决策。AI工作流的价值在于通过流程化，保证了结果的可追溯性。
如何选择合适的AI 代理框架？
在选择 AI 代理框架时，需要考虑多种因素，包括框架的灵活性、可扩展性、易用性以及社区支持。选择合适的框架取决于您的具体需求和项目目标。例如，Mastra 以其类型安全性和可组合性而闻名，非常适合构建复杂的 AI 应用。
相关问题
如何在AI Agent中更好的利用工作流？
要更好地利用 AI Agent 中的工作流，可以考虑以下策略：将复杂任务分解为更小的子任务，并为每个子任务分配一个专门的代理，设计清晰、结构化的工作流，以定义代理之间的交互方式，利用工具和技术来增强代理的能力，并确保工作流能够处理各种输入和错误情况。 设计模式示例 利用工具：将常用操作封装为工具供代理使用，例如搜索引擎或数据库查询。 状态跟踪：代理维护对话或任务的状态，以便在后续步骤中做出明智的决策。 错误处理：实施完善的错误处理机制，以确保应用程序在出现问题时能够优雅地降级。 可观察函数：将工作流视为类型化、可观察的函数，能够执行复杂的多步骤操作。
