在企业环境中构建AI智能体系统时，最简单的工作流模式往往能带来最好的效果和最大的商业价值。Anthropic在去年年底总结了这些顶级模式，到现在依然非常实用。

1. 提示链模式（Prompt Chaining）

核心思想：将复杂任务分解成多个可管理的小块，通过链式连接来解决。前一个LLM调用的输出成为下一个的输入。

优势：这种分解方式通常能提高准确性，代价是增加了延迟。

实际应用：在高负载的生产环境中，提示链经常和其他模式组合使用，其他模式可以替换提示链中的某个LLM调用节点。

2. 路由模式（Routing）

核心思想：根据输入内容进行分类，选择最合适的处理路径。

适用场景：当工作流比较复杂，特定的拓扑路径可以用专门的工作流更高效地解决时。

典型例子：智能客服机器人需要判断——是用RAG来回答用户问题，还是执行用户要求的特定操作？

3. 并行化模式（Parallelization）

核心思想：将初始输入拆分成多个查询，并行传递给LLM处理，然后汇总结果得到最终答案。

适用场景：

• 当速度很重要，多个输入可以并行处理而不需要等待其他输出时
• 需要更高准确性的情况

实际例子：

• 例子1：智能RAG中的查询重写，生成多个不同查询进行多数投票，提高准确性
• 例子2：从发票中提取多个项目，可以并行处理以提高速度

4. 编排器模式（Orchestrator）

核心思想：编排器LLM动态分解任务，并委派给其他LLM或子工作流。

适用场景：当系统复杂且没有明确的硬编码拓扑路径来实现最终结果时。

典型例子：智能RAG中选择使用哪些数据集。

5. 评估-优化模式（Evaluator-Optimizer）

核心思想：生成器LLM产生结果，然后评估器LLM对结果进行评估，并在必要时提供改进反馈。

适用场景：需要持续优化的任务。

典型例子：深度研究智能体工作流，需要通过持续的网络搜索来优化报告段落。

实施建议

在考虑构建完整的智能体系统之前，应该先尝试用这些更简单的工作流模式来解决问题。这些基础模式往往能以更低的复杂度实现相同的效果，同时具有更好的可维护性和稳定性。

这些模式可以单独使用，也可以组合使用，关键是要根据具体的业务场景选择最适合的方案。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】