الگوهای آرکیستراسیون: نظارت کننده، گروه، سلسله مراتب
Type: Learn + Build
Languages: Python (stdlib)
Prerequisites: Phase 14 · 12 (Workflow Patterns), Phase 14 · 25 (Multi-Agent Debate)
Time: ~60 minutes
اهداف یادگیری
- چهار الگوی تکرار آرکستراسیون و زمانی که هر کدام مناسب است را نام دهید.
- توصیه 2026 لانگ چین را شرح دهید: نظارت مبتنی بر ابزار و کتابخانه های نظارت.
- قانون "سازمان درست" آنترپيك رو و نحوه انتخاب توپولوژي رو شرح بده.
- تمام چهار مورد رو در مقابل یک برنامه مشترک LLM اجرا کن
مشکل
تیم ها قبل از اینکه به آن نیاز داشته باشند به "ملائیجنت" دست می زنند. چهار الگوی در هر چارچوب تکرار می شوند؛ هنگامی که شما می توانید آنها را نام دهید، می توانید درست را انتخاب کنید یا توپولوژی را کاملاً رد کنید.
مفهوم
کارکن نظارت
- یک مرکز مسیر LLM به عوامل متخصص ارسال می شود.
- تصمیم می گیرد: به خود برگردد، به متخصص بده، پایان بده.
- متخصصین با یکدیگر صحبت نمی کنند؛ تمام مسیرها از طریق سرپرست انجام می شود.
چارچوب: لانگ گراف create_supervisor، کارگران گروه سازي انسان، عملات سلسله مراتبي گروه سازي
2026 LangChain recommendation:نظارت را از طریق تماس های مستقیم ابزار انجام دهید نه create_supervisorکنترل مهندسی زمینه ای بهتر را فراهم می کند شما دقیقاً تصمیم می گیرید که هر متخصص چه می بیند.
گروه / همتایی
- ماموران به طور مستقیم از طریق سطح ابزار مشترک به دست می آورند.
- هیچ روتر مرکزی نیست
- تاخیر کمتر از نظارت (کم تر hops).
- سخت تر است که در مورد (هیچ نقطه کنترل واحد) استدلال کنید.
چارچوب: توپولوژی سور LangGraph، OpenAI Agents SDK handoffs (وقتی همه عوامل می توانند به همه دیگران تحویل دهند).
سلسله مراتب
- نظارت کنندگان مدیریت فرعی نظارت کنندگان مدیریت کارگران
- به عنوان زیرگراف های سرپوش در LangGraph؛ خدمه های سرپوش در CrewAI اجرا می شود.
- مقیاس به جمعیت های عامل بزرگ با هزینه پیچیدگی عملیاتی.
وقتی که نیاز دارید: وقتی بودجه مربوطه یک سرپرست واحد نمی تواند توصیف همه متخصصان را داشته باشد.
بحث
- پیشنهادات موازی + انتقاد متناوب (درسی 25).
- واقعاً آرکیسترینگ نیست بیشتر تایید اما به عنوان یک انتخاب توپولوژی در چارچوب ها ظاهر می شود.
خدمه های مستقل در مقابل جریان های تعیین کننده
CrewAI دو حالت تعین رسمی را رسما می کند:
- Flowبرای اتوماسیون تعیین کننده مبتنی بر رویداد (مقرر شروع تولید توصیه می شود).
- Crewبرای همکاری مستقل مبتنی بر نقش.
این به چهار الگوی بالا متناظر است اما نقشه ها به توپولوژی: جریان معمولاً نظارت کننده یا سلسله مراتبی است؛ خدمه معمولاً نظارت کننده با یک روتر LLM است.
راهنمای انسان شناسی
"منجاح در حوزه کارشناسی ارشد در مورد ساختن پیچیده ترین سیستم نیست بلکه در مورد ساختن سیستم مناسب برای نیازهای شما است".
دستور تصمیم گیری:
- یک عامل + الگوهای جریان کار (درسی 12) از اینجا شروع می شود.
- کارگزار نظارت کننده وقتی که شما ۲ تا ۴ متخصص دارید.
- وقتی که تاخیر مهم تر از وضوح استدلال است
- در هر شرایطی که بودجه نظارت از دست می آید.
- بحث وقتی دقت مهم تر از هزینه است.
جایی که این الگوی اشتباه می شود
- Topology-first thinking."ما به چند عامل نیاز داریم" قبل از اینکه مشخص کنیم چند عامل چه مشکلی را حل می کند.
- Bouncing handoffs in swarm.A -> B -> A -> B. از شمارشگر های هپ استفاده کنید.
- Fake hierarchy.سه لایه به خاطر "کارسازي" دو تیم واقعی سقوط
آن را بسازید
code/main.pyدر stdlib در برابر یک LLM نوشته شده، تمام چهار الگوی را اجرا می کند:
Supervisorروتر مرکزیSwarmهمسان به همسان با کمک های مستقیمHierarchicalنظارت کنندگان نظارت کنندگانDebateپیشنهادات موازی + انتقاد
هر الگوی یک کار سه نیت (بازپرداخت / خطا / فروش) را انجام می دهد. شکل های ردیابی متفاوت است.
اجرا کن
python3 code/main.pyتولید: هر الگوی ردیابی + شمارش عملیات. نظارت کننده تمیز ترین است؛ سور کوتاه ترین است؛ سلسله مراتبی عمیق ترین است؛ بحث گران ترین است.
ازش استفاده کن
- LangGraphبرای نظارت و سلسله مراتب (سبرگراف های سرشار)
- OpenAI Agents SDKبرای انتقال به عنوان ابزار (به شکل نظارت کننده)
- CrewAI Flowبرای تعیین کننده تولید.
- Customبراي بحث يا وقتي که ميخواي کنترل دقیق داشته باشي
-باده
outputs/skill-orchestration-picker.mdیک توپولوژی را انتخاب می کند و آن را اجرا می کند.
تمرینات
- با حذف روتر، يه کارگر نظارتي رو به يه دسته تبديل کنيد.
- به تعداد پرتاب ها اضافه کنید: پس از 3 باز دادن رد کنید. آیا A->B->A پرتاب می کند؟
- ساخت یک سیستم سلسله مراتبی دو سطح برای یک دامنه 12 متخصص. بودجه زمینه ای بدون ایجاد گنجان کجا شکست می خورد؟
- چهار الگوی را در یک بار کاری به شکل تولید مشخص کنید. کدام یک از آنها بر روی کدام متریک (خاموشی، هزینه، دقت، قابلیت رفع خطا) برنده می شود؟
- پست "سازمان موثر" آنترروپيك رو بخونيد. هر يك از جریان هاي توليدي شما را به يکي از چهار مورد نقشه بزنيد. هر كدام رو كه نقشه درست نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيكو نيك
اصطلاحات کلیدی
| Term | What people say | What it actually means |
|---|---|---|
| Supervisor-worker | "Router + specialists" | Central LLM dispatches to specialists; they don't talk to each other |
| Swarm | "Peer-to-peer" | Direct handoffs via shared tools; no central router |
| Hierarchical | "Supervisors of supervisors" | Nested subgraphs for large populations |
| Debate | "Proposer + critique" | Parallel proposers, cross-critique (Lesson 25) |
| Tool-call-based supervision | "Supervisor without a library" | Implement supervisor as direct tool calls for context control |
| Crew | "Autonomous team" | CrewAI's role-based collaboration mode |
| Flow | "Deterministic workflow" | CrewAI's event-driven production mode |
خواندن بیشتر
- Anthropic, Building Effective Agents پنج الگوی + عامل در مقابل جریان کار
- LangGraph overview نظارت کننده، دسته، سلسله مراتب
- CrewAI docs خدمه مقابل جریان
- Du et al., Society of Minds (arXiv:2305.14325) الگوی بحث
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.