الگوهای جریان کار آنترپیک: ساده بیش از پیچیده
Type: Learn + Build
Languages: Python (stdlib)
Prerequisites: Phase 14 · 01 (Agent Loop)
Time: ~60 minutes
اهداف یادگیری
- پنج الگوی جریان کار Anthropic را نام دهید: زنجیره سریع، مسیر، موازی، کارساز-کارگران، ارزیابی کننده- بهینه سازی.
- تفاوت عامل در مقابل جریان کار و هزینه مهندسی هر یک را توضیح دهید.
- مشخص کنید که چه زمانی باید یک جریان کار را از یک عامل انتخاب کنید (و برعکس).
- تمام پنج الگوی در stdlib را در مقابل یک LLM نوشته اجرا کنید.
مشکل
تیم ها برای مشکلات که نیاز به یک تماس واحد دارند به چارچوب های چند عامل دست می زنند. هزینه واقعی است: چارچوب ها لایه هایی را اضافه می کنند که درخواست ها را پنهان می کنند، جریان کنترل را پنهان می کنند و پیچیدگی زودرس را دعوت می کنند. پست شلنتز و ژانگ در دسامبر 2024 بیشترین فشار صنعت را ذکر می کند: ساده شروع کنید، پیچیدگی را فقط زمانی اضافه کنید که هزینه خود را بدست آورد.
مفهوم
جریان کار در مقابل عوامل
- Workflow.LLM ها و ابزارها از طریق مسیرهای کد پیش تعریف شده سازماندهی می شوند. مهندسان مالک نمودار هستند.
- Agent.LLM ها به طور پویا ابزار خود را هدایت می کنند و گام های خود را می گیرند. مدل مالک نمودار است.
هر دو جای خود را دارند. جریان کار ارزان تر، سریع تر و تر است. عوامل مشکلات باز را باز می کنند اما حالت شکست را دشوارتر می کند تا در مورد آن استدلال کنید.
کارشناسی ارشد پیشرفته
پایه برای تمام پنج الگوی: یک LLM با سه قابلیت متصل به جستجو (بازیافت) ، ابزار (کار) ، حافظه (مستقیمت). هر تماس API می تواند از این موارد استفاده کند.
پنج الگوی
- Prompt chaining.خروجی تماس 1 وارد تماس 2 است. زمانی که یک کار دارای تجزیه خطی تمیز است استفاده کنید. دروازه های برنامه ای بین مراحل اختیاری.
- Routing.یک طبقه بندی کننده LLM انتخاب می کند که کدام LLM یا ابزار زیر جریان را به کار گیرد. استفاده می شود زمانی که ورودی های کاملاً متفاوت نیاز به رفتار متفاوت دارند (سروی سطح 1 در مقابل بازپرداخت در مقابل خریدهای خطا).
- Parallelization.N LLM تماس های همزمان، نتایج جمع آوری. دو شکل: بخش بندی (کشت های مختلف) و رای دادن (همکثری، N اجرا، اکثریت / سنتز).
- Orchestrator-workers.یک LLM سازنده به طور پویا تصمیم می گیرد که کدام کارگران (همچنین LLM) را اجرا کند و تولید آنها را ترکیب می کند. مانند حلقه های عامل اما سازنده به طور نامحدود حلقه نمی کند.
- Evaluator-optimizer.یک LLM یک پاسخ را پیشنهاد می کند، LLM دیگر آن را ارزیابی می کند. تا زمانی که ارزیابی کننده عبور کند تکرار کنید. این خود اصلاح (درس 05) عمومی است.
جایی که جریان کار از عوامل پی می برد
- Predictable tasks.اگه بتوني مراحل رو برشماري، بايد
- Cost-bound tasks.جریان های کار تعداد گام های محدودی دارند؛ عوامل می توانند به ارمغان برسند.
- Compliance-bound tasks.حسابرسان می خواهند نمودار را بخوانند نه آن را از مسیرهای مسیرها نتیجه گیری کنند.
جایی که ماموران جریان کار را شکست می دهند
- Open-ended research.زمان گام بعدی بستگی به اینکه گام آخر چه چیزی به شما برگردد دارد.
- Variable-length tasks.دقیقه تا ساعت کار که تعداد مراحل ناشناخته است.
- Novel domains.وقتی هنوز جریان کار درست را نمی دانید ابتدا جستجو کنید، بعداً کدگذاری کنید.
همراه مهندسی زمینه
"انجینرای کنستکت موثر برای عوامل هوش مصنوعی" (Anthropic 2025) رشته مجاور را رسمی می کند: پنجره 200k بودجه ای است، نه یک کانتینر. چه چیزی را شامل می شود، چه زمانی را کمپیکت می کند، چه زمانی را می گذارد که کنستکت رشد کند. در درس مرحله 14 در مورد فشرده سازی کنستکت (درسی مرحله 14 قبلی 06 در این برنامه در قبل از تغییر شماره گیری) به طور دقیق پوشش داده شده است.
آن را بسازید
code/main.pyتمام پنج الگوی جریان کار را در برابر یکScriptedLLM:
prompt_chain(input, steps)دنباله دارroute(input, classifier, handlers)طبقه بندی + ارسالparallel_vote(prompt, n, aggregator)N اجرا، جمعorchestrator_workers(task, workers)آرکستراتور کارگران را انتخاب می کند.evaluator_optimizer(task, proposer, evaluator, max_iter)تا زمان گذر
اجرا کن
python3 code/main.pyهر الگویی ردیابی خود را چاپ می کند. کل خطوط کد در هر الگویی حدود 10-15 است؛ هزینه یک چارچوب در هزاران اندازه گیری می شود.
ازش استفاده کن
- API مستقیم برای اکثر وظایف درخواست می کند.
- چارچوب تنها زمانی که الگوی واقعا نیاز به وضعیت پایدار (LangGraph) ، هم زمان بازیگر- مدل (AutoGen v0.4) ، یا قالب سازی نقش (CrewAI) دارد.
- وقتی میخوای شکل کلوید کد بدون بازسازیش رو پیدا کنی
-باده
outputs/skill-workflow-picker.mdالگوی مناسب برای یک توصیف وظیفه خاص را انتخاب می کند، از جمله استدلال تصمیم گیری و مسیر عامل به یک عامل در صورت عدم انجام جریان کار.
تمرینات
- پیاده سازی مسیر با یک حد اعتماد. زیر حد -> افزایش به انسان. در مورد یک مورد پشتیبانی سطح 1، حد حد به کجا می رسد؟
- به یه وقت توقف اضافه کن
parallel_voteوقتي يه تماس ميگيره چي ميشه؟ - برگرد
evaluator_optimizerبه یک غارتگر تبدیل شوید: در هر تکرار، اولین دو را نگه دارید تا نتیجه خوب دیرین توسط نتیجه بد دیرین رد نشود. - ترکیب زنجیره ای فوری با مسیریابی: یک روتر یکی از سه زنجیره را انتخاب می کند. هزینه توکن را در مقابل یک جایگزین بزرگ فوری اندازه گیری کنید.
- یکی از ویژگی های تولیدت رو انتخاب کن گراف جریان کار رو بکش و مراحل رو بشمار
اصطلاحات کلیدی
| Term | What people say | What it actually means |
|---|---|---|
| Workflow | "Predefined flow" | Engineer-owned graph of LLM and tool calls |
| Agent | "Autonomous AI" | Model-owned graph; dynamic tool direction |
| Augmented LLM | "LLM with tools" | LLM + search + tools + memory; the atomic unit |
| Prompt chaining | "Sequential calls" | Output of call N is input to call N+1 |
| Routing | "Classifier dispatch" | Pick which chain/model handles the input |
| Parallelization | "Fan out" | N concurrent calls; aggregate by sectioning or voting |
| Orchestrator-workers | "Dispatcher agent" | Orchestrator LLM picks specialist LLMs dynamically |
| Evaluator-optimizer | "Proposer + judge" | Iterate until evaluator passes; Self-Refine generalized |
خواندن بیشتر
- Anthropic, Building Effective Agents (Dec 2024) پنج الگوی جریان کار
- Anthropic, Effective context engineering for AI agents تنبیه ی همراه
- LangGraph overview وقتی نمودار های حالت دار هزینه خود را کسب می کنند
- OpenAI Agents SDK الگوی کارگران اورکستر، تولید شده
This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.
Browse the complete course catalog or open this lesson on GitHub.