智能体工作流五大设计模式：从链式到规划式的实战拆解

蓝衣剑客（本名王伟）在 WaytoAGI 社区「晚八点共学」中，系统讲解了智能体工作流的五种设计模式：链式、并行式、路由式、评估优化式和规划式。他结合 Dify 平台上的实际案例，逐一拆解每种模式的原理、优劣势、适用场景和搭建要点，并分享了豆包模型配置、深度研究工作流搭建等实操经验。本文适合正在学习智能体工作流、希望从 Demo 走向实际业务落地的开发者与产品经理阅读。

为什么还要讲「古老」的工作流设计模式

▶ 9:37 · 看这一节

蓝衣剑客开篇先回应了一个问题：为什么在 Agent 概念满天飞的当下，还要讲工作流设计模式？他的答案是，商业落地场景中真正被广泛使用的，恰恰是这些「不新鲜」的东西。

他引用 MIT 的一份调研指出，企业日常使用中，仍有百分之七八十的人在使用 chat 界面进行半机械、半人工的迭代，比如外贸营销邮件的撰写与分类。很多产品的前台设计（通用 Agent + 对话界面）与后台技术（多 Agent 模式）是脱节的，背后有用户习惯传承的因素。

在他看来，智能体落地正处于一个过渡阶段：从基础 Agent 到垂类 Agent、定向 Agent，再到未来的 Multi Agent。「目前的工作流是失败的，定向垂类 Agent 是在做实验的，Multi Agent 其实更是实验」，但他判断「可能会在明后年能看到 Multi Agent 的开花」。

链式：把大象装冰箱，分几步？

▶ 28:00 · 看这一节

链式是最基础的设计模式：有明确的输入和输出，中间经过几个环节，像「把大象装冰箱分三步」一样直来直去。蓝衣剑客指出，它的底层是面向过程的编程思维，最终会走向结束节点。

优势在于简单直观，是入门基础款；环节分工明确，定位问题容易——如果环节 2 出错，要么是环节 1 的输入有问题，要么是环节 2 自身的问题，数据流向非常简单。适合流水线式作业。

弊端也很明显：容错性差，一步错步步错；并行能力不足，提效困难，通常只能在更外层做并行处理。

他特别强调了一个常见问题：很多人连自己的工作任务都拆不开，把三步并成一步。以「根据图片写小红书文案」为例，如果所有功能（图片识别、文案创作）都塞进一个提示词，AI 味会非常重，调 10 遍 20 遍都难满意。正确做法是拆成多个环节，比如「分析图片要素、场景适配、文案配置」。

他现场演示了一个文字翻译的链式工作流：先翻译初稿，再做质量反思，最后做翻译优化。关键点在于：

• 质量反思环节需要使用深度思考（thinking）模型，因为它需要判断标准、做长距离推理；
• 翻译优化环节用非 thinking 模型，老老实实按反思结果写即可；
• 豆包模型支持 thinking 和非 thinking 切换，有 enabled、disable、auto 三个选项。

他特别提醒，吴恩达提出的 agentic workflow 设计模式关注的是智能体如何协作（如反思、工具使用、多智能体协作），而本次讲的五种模式是从数据流向和形式角度做的分类，两者不要混淆。

路由式：专人干专事

▶ 49:00 · 看这一节

路由式工作流通过输入分析、决策，将任务分配给不同专家处理，最后做结果承接。关键点在于路由决策。

优势是专业化处理、可扩展性强、处理质量高、负载均衡。比如客服场景中，售前、订单、售后各挂一个独立知识库，模块化解耦，出了问题只维护一个定点即可。

劣势是业务整体复杂度高，且存在路由错误的问题。适用场景主要是客服、智能问答和企业文档管理。

在 Dify 演示中，他搭建了一个对话式客服工作流，处理售前、售后、投诉、订单等问题。几个实操要点：

• 不用 Dify 自带的问题分类器，而是自己做数据预处理和意图识别，返回 JSON 贴合业务需求，效果要好得多；
• 通过会话变量 context history 实现对话记忆的持久化存储，避免多轮对话中断后无法延续任务；
• 意图识别返回 JSON 后，通过变量赋值把对话历史整合起来。

评估优化式：反复打磨直到满意

▶ 1:03:38 · 看这一节

评估优化式的流程是：数据输入 → 初始生成 → 质量评估 → 未达标则优化改进 → 达标则输出。难点在于循环的配置。

优势是结果质量高，能降低风险，提升用户和自身满意度。劣势是可能出现主题漂移（迭代多轮后偏离原意）和资源消耗大（时间和 TOKEN 都是成本）。

适用场景包括文案创作、设计迭代和严谨报告等需要反复打磨的场景。

他演示了商品文案创作的工作流，核心配置要点：

• 设置最大循环次数（如 5 次），但通过条件分支在评估结果为「优秀」时提前退出循环，避免浪费；
• 循环变量引用初始文案生成节点的 text，每次迭代更新；
• 质量评估节点返回 JSON（如 quality level），作为条件分支的判断依据；
• 制定评估标准是最难的部分，「每个人有每个人的哈姆雷特，每个公司有每个公司的标准」。

他现场跑了一个 iPhone 15 Pro Max 的文案案例，循环一次即达到优秀标准退出。有观众指出可以把判断前置到质量评估之后，他认可这个改进建议。

并行式：同时干三件事

▶ 1:22:19 · 看这一节

并行式工作流将任务分割成多个子任务同时处理，最后聚合结果。

优势是时间效率高、资源充分利用、可扩展性强、容错性较好——单个任务失败不影响其他任务。劣势是任务之间不互通，有交集时需要写很多啰嗦的提示词；无法动态变化，需要提前规划好子任务数量和内容。

适用场景主要是数据分析、批量数据处理、多信息源查询（如通过多个 RSS 订阅生成 AI 日报）。

他演示了学英语单词的案例，对一个词汇做词汇分析、记忆策略、语境应用、发音指导、复习规划五个方面的并行处理，最后整合输出。他还提到一个细节：豆包在 Dify 上不支持 JSON schema 返回，可以换用其他支持的模型（如 so）来配置结构化输出。

规划式：先计划，再执行

▶ 1:32:36 · 看这一节

规划式（plan and execute）先做计划再执行，包括理解分析、步骤排序、工具选择、配置约束、条件识别等环节。执行过程中可根据目标达成情况重新规划（replanning）。

优势是能适应复杂任务，避免执行偏差。劣势是等待时间长、成本高。

适用场景主要是研究分析和动态规划。他演示了一个「AI 在教育领域的应用现状」深度研究工作流，结构相当复杂：

• 意图增强：先理解用户模糊的提问（如「AI 教育」），补充隐藏含义；
• 深度研究规划：生成研究方面（数组）和研究框架（范围、边界、方法论、质量标准）；
• 迭代执行：对每个研究方面做二级拆解，用 agent 节点 + react 策略收集内容；
• 内容累积：通过会话变量存储研究结果，最终生成完整报告。

他特别指出，Dify 不支持循环套循环，但可以用 react 策略模拟嵌套迭代，让研究更细致。他还分享了两个发现：

• 用豆包 c 的 1.6 Flash 模型，一口气输出了 27,000 多字，「小模型只要提示词到位，也能输出很好的效果」；
• 字数限制在实际应用中存在不确定性，他设置了 2,000～4,000 字却输出了 17,678 字，这打破了他以往的认知，但尚未做充分实验验证。

他还展示了如何把规划式思维泛化到 Cursor 中：通过规则文件（.mdc）设定工作流程，要求先列 todo list 再逐步执行，用 4 sonnet 模型按规划推进。

实践环境搭建：Dify + 豆包模型配置

▶ 17:44 · 看这一节

蓝衣剑客的演示环境是 Dify 平台 + GPT-4o + 豆包 1.6 系列模型。部署方式有两种：本地安装 Docker 部署，或直接注册 Dify 云端账号。

豆包模型配置步骤：

1. 在火山引擎官网注册账号并完成个人认证；
2. 搜索「火山方舟」，进入管理控制台；
3. 在开通管理中选择「一键开通所有模型」；
4. 在在线推理中创建自定义推理接入点，添加豆包 thinking、Flash、1.6 等模型（每个模型每天 50 万 TOKEN 免费额度）；
5. 创建 API key，在 Dify 模型供应商配置中把认证方式改为 API key；
6. 填入 API key 和推理节点 ID，模型类型选择对应的基础模型（如 1.6、1.6 Flash、1.6 thinking）。

现场问答

▶ 2:09:01 · 看这一节

问：学习提示词怎么提升？有没有学习文档？

答：可以看 WaytoAGI 的提示词专栏，内容很多不知道如何下手的话，可以搜「蓝衣剑客」的专栏「AIGC 思维火花」，里面有公开的提示词培训课，共 4 节（part 1～4）。

问：没有计算机背景，大厂（如阿里）的认证值得考吗？

答：考证是投资自己的过程。如果你在门外想入门，就需要有这么个过程。不谈含金量，先看能否对自身有提升，是否真的想在这个行业扎根。如果愿意把爱好和事业放在这个行业里，这些投入不用想都值得。

问：AI 加叉叉叉（AI + 运营、AI + 产品等）职业发展路径？

答：这个问题后续会单独写内容解答。建议先入门，看两本书，考取一些认证（国家认证最好），走完这一遭有了体感，再来问别人就不一样了。不同行业有不同学习路径，不能一概而论。

要点回顾

• 五种设计模式：链式（基础款，适合流水线）、并行式（同时处理多任务）、路由式（专人专事，关键在路由决策）、评估优化式（反复迭代打磨）、规划式（先计划再执行）。
• 链式工作流要培养拆解思维，把复杂任务拆成多个环节，避免一个提示词干所有事。
• 路由式建议自己做意图识别和数据预处理，比平台自带的问题分类器更贴合业务。
• 评估优化式要设置最大循环次数和退出条件（如评估为「优秀」即退出），避免资源浪费和主题漂移。
• 并行式要注意任务重叠时的提示词设计，以及无法动态变化的限制。
• 规划式可以用 agent 节点 + react 策略模拟嵌套迭代，通过会话变量累积研究内容。
• 豆包模型在 Dify 上不支持 JSON schema 返回，可换用其他支持的模型。
• 小模型（如豆包 1.6 Flash）在提示词到位时也能输出高质量长文，字数限制的实际效果存在不确定性。