企业官网建设流程全解析

本文收录于专栏《AI Agent原理与实战》2026版—— 专栏系统覆盖 AI Agent 的记忆、工具、插件与实战，点击订阅可跟踪后续更新。

本课定位：工具就绪，Agent 怎么组织自己的行为？本课纵向拉开模式阶梯：从增强型 LLM 到五大 Workflow 模式（链式/路由/并行/编排者-工人/评估者-优化者）再到自主 Agent。判断"够不够用、要不要加复杂度"的直觉从这里建立——第 21 课的多 Agent 拓扑是这套阶梯的顶层延伸。

阶段 2｜单 Agent 核心机制 ｜ 来源：【微·3】（微软 AI Agents for Beginners 第 3 课）+ Anthropic 补充

关键字：Agent设计模式、工作流模式、提示链、路由分发、编排者-工人、评估者-优化者、Anthropic实践、模式选型

本节目录

• 9.1 基本构建单元：增强型 LLM
• 9.2 从简单组合到自主系统：模式阶梯
• 9.2b 微软第 3 课的核心贡献：Agentic 设计原则
• 9.3 Anthropic 五大 Workflow 模式
• 9.4 模式的组合律
• 9.5 实测输出与行为指纹（节选）
• 9.6 动手练习

概念讲解

9.1 基本构建单元：增强型 LLM

一切 Agent 系统的原点是一个增强型 LLM（augmented LLM）——Anthropic《Building Effective Agents》开篇的第一个建筑块，在裸模型上挂三件套：

┌──────────────┐ retrieval ──→│ │←── tools（第 7-8 课） （检索外部知识）│ 增强型 LLM │ │ （基本构建单元）│←── memory（第 14 课） └──────┬───────┘ ↓ 生成 / 决策 / 调用

• 检索（Retrieval）：把外部知识（文档、数据库）按需注入上下文，弥补训练数据的时效与私域缺口——第 11 课 Agentic RAG 专门展开。
• 工具（Tools）：执行动作、改变世界——第 7、8 课已覆盖。
• 记忆（Memory）：跨轮次、跨会话保留信息——第 14 课展开。

这个单元本身就是"最小可用的智能"，第 6 课的最小 Agent Loop 就是把增强型 LLM 放进"调用→观察→再调用"的循环里。后面所有模式都是这个单元的组合方式变化。

9.2 从简单组合到自主系统：模式阶梯

设计的第一决策不是"用哪个框架"，而是把控制权交给谁。Anthropic 给出的口径（第 1 课引用过，这里落到结构上）：

关键分界线：workflow 里 LLM 是节点，代码是边；Agent 里 LLM 自己决定下一条边。Anthropic 的工程建议：先穷尽 workflow，不够再上 Agent——每往上一级，延迟、成本、不可预测性都非线性上升（第 4 课的决策框架展开过量化判断）。

微软第 3 课的核心贡献：Agentic 设计原则

微软第 3 课（现行版本名为AI Agentic Design Principles）不讲解代码，而是给出一份以人为中心的设计原则——它是后面所有"模式"的产品哲学底座。原课开宗明义：生成式 AI 设计中"模糊性是特性不是缺陷"，工程师常常不知道从哪下手，这套原则就是起点（而非规定性架构）。先看总目标，Agent 应该：

• 放大而非取代人的能力（brainstorming、问题求解、自动化）
• 填补知识缺口（快速进入陌生领域、翻译、科普）
• 以人偏好的协作方式辅助协作
• 让我们成为更好的自己（生活教练/任务管家、情绪调节、韧性）

原则本体按三个视角组织（Space / Time / Core）：

视角一：Agent（Space，空间）——Agent 运行的环境，回答"Agent 如何存在于物理与数字世界"：

• 连接而非坍缩（connecting, not collapsing）：帮人连接其他人、事件与可行动的知识；Agent 拉近人与人的距离，不是设计来取代或贬低人的。
• 易于可达、偶尔隐形（easily accessible yet occasionally invisible）：大部分时候在后台运行，只在相关且合适的时机轻推（nudge）用户一下。具体要求：授权用户在任何设备/平台都能发现并访问它；支持多模态输入输出（语音、文字等）；在前台/后台、主动/被动之间按感知到的用户需求无缝切换；即使以隐形形态运行，其后台处理路径与其他 Agent 的协作对用户透明且可控。

视角二：Agent（Time，时间）——Agent 如何跨过去、现在、未来运作：

• 过去（Past）：反思包含状态与上下文的历史。基于比"事件/人/状态"更丰富的历史数据给出更相关的结果；从过去事件中建立连接、主动反思记忆以应对当前情境。（与第 12 课反思、第 14 课记忆直接呼应）
• 现在（Now）：轻推而非通知（nudging more than notifying）。事件发生时超越静态通知——简化流程或动态生成提示，在对的时刻引导用户注意力；信息交付要按上下文环境、社会文化变化与用户意图定制；交互可以渐进演化、随时间提升用户能力，而不是一步到位。
• 未来（Future）：适应与演化。适配不同设备、平台与模态；适应用户行为与无障碍需求、可自由定制；通过与用户的持续互动被塑造并演化。

视角三：Agent（Core，核心）——Agent 设计内核的三条要素：

• 拥抱不确定性，但建立信任：一定程度的 Agent 不确定性是预期内的、是设计要素；信任与透明是设计的根基层；人类掌控 Agent 的开关，且 Agent 状态始终清晰可见。

落地为三条实施准则（guidelines）：

1. 透明（Transparency）：告知用户 AI 参与、它如何运作（包括过往动作）、如何反馈与修改系统。
2. 控制（Control）：用户可定制、设定偏好与个性化，对系统及其属性有掌控权——包括让 Agent 遗忘的能力（与第 14 课记忆删除权呼应）。
3. 一致（Consistency）：跨设备与端点的一致多模态体验；用用户熟悉的 UI/UX 元素（如麦克风图标代表语音交互）；尽量降低认知负担（简洁回复、视觉辅助、"了解更多"式分层内容）。

原课用一个旅行 Agent 走查演示了三准则怎么落地：透明——产品页明确告知这是 AI Agent、提供示例 prompt 与历史提问列表、点赞/点踩反馈入口、说清使用与话题限制；控制——用户可改 System Prompt、可选回复详略与文风、可查看和删除关联文件/数据/历史对话；一致——分享 prompt、上传文件（回形针图标）、传图（图片图标）等用标准可识别的图标。

9.3 Anthropic 五大 Workflow 模式

《Building Effective Agents》（2024-12 发布，持续更新）给出了五种可组合的编排蓝图，按复杂度递增：

1. Prompt chaining（提示链）：任务拆成固定串行步骤，每步的输出是下步的输入，中间可插程序化 gate（格式校验、关键词检查）。适用：任务能干净地顺序分解，愿意用延迟换准确率。例：先提纲后正文、先抽取后翻译。

2. Routing（路由）：入口先分类，把输入导向专门优化过的下游提示。适用：输入有明显类别差异（客服分流、prompt 注入检测、大小模型分级）。价值：每类输入用各自的专属 prompt，互不拖累。

3. Parallelization（并行化）：两个变体——**分段（sectioning）**把任务拆成独立子任务并行跑（如一个查风险一个写文案）；**投票（voting）**同一任务跑多次取多数。适用：子任务可并行提速、或需要多视角交叉验证。成本注意：token 是串行的 N 倍。

4. Orchestrator-workers（编排者-工人）：中心 LLM 动态拆解任务、分派工人、汇总结果。与并行化的本质区别：子任务不是预先定义的，而是编排者按输入现场决定的。适用：无法预测子任务形状的复杂工作（代码改动涉及哪些文件因任务而异）。这是第 22 课多 Agent 编排的种子形态。

5. Evaluator-optimizer（评估-优化）：一个 LLM 生成，另一个评审打分给反馈，循环到达标。适用：有明确评审标准、且迭代确有收益的任务（翻译润色、复杂搜索的轮次细化）。前提是"LLM 能提供有效反馈"——否则循环只是空转烧钱。

9.4 模式的组合律

五个模式是积木不是菜单：一个真实系统常常是"路由入口 → 每条分支内部是提示链 → 关键产出过一道评估-优化"。第 22 课会看到 orchestrator-workers 长成完整的多 Agent 研究系统。从最简单的模式开始，遇到具体瓶颈再加复杂度——这是 Anthropic 全文的头号工程建议（原文口径：“在多数场景里，找最简单的可行方案就够，只在确有需要时才增加复杂度”）。而判断"够不够、要不要升级"时，正好用 9.2b 微软原则里的三问检验：透明吗（用户知道发生了什么）？可控吗（不满意能调能关）？一致吗（体验是否跨端稳定）——微软的原则管"该不该、好不好"，Anthropic 的模式管"怎么搭"，两套思想在这里合流。

案例实战：五大模式各一个最小实现

目标
用裸 openai SDK（无框架）把五个模式各实现成一个可运行函数，一次跑通，观察各模式的行为指纹。

环境

• Windows（推荐）：Windows 10/11 + Python 3.9+，pip install openai==3.6.0，setx DEEPSEEK_API_KEY "sk-..."后新开终端运行python 09_five_patterns.py——脚本无操作系统相关依赖
• Linux（本课实测环境）：Ubuntu 22.04，Python 3.10.12，openai 3.6.0，deepseek-chat，2026-10-01 实测；其中投票模式用了concurrent.futures.ThreadPoolExecutor（标准库，Windows/Linux 行为一致）
• 五个模式一次跑完约 2-3 分钟
• 换国内模型（GLM/MiniMax/MiMo）：接入参数与实测行为见第 7 课"国内模型适配"节，代码改base_url与model两行

# 09_five_patterns.py（骨架节选，完整版见 code/ 目录）importos,jsonfromopenaiimportOpenAI client=OpenAI(api_key=os.environ["DEEPSEEK_API_KEY"],base_url="https://api.deepseek.com/v1")defchat(system:str,user:str)->str:"""单次调用：所有模式的基本积木。"""r=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"system","content":system},{"role":"user","content":user}])returnr.choices[0].message.content# 模式 1 提示链：提纲 -> JSON gate -> 正文defpattern_chaining(topic):outline=chat("你是内容策划，只输出 JSON 数组，每项一段的小标题。",topic)json.loads(outline)# gate：非法 JSON 直接抛异常终止returnchat("你是技术作者，按给定小标题逐段写成短文。",f"提纲：{outline}")# 模式 2 路由：分类 -> 专属 promptdefpattern_routing(user_msg):route=chat("你是分类器，只输出一个词：tech / billing / other。",user_msg)prompts={"tech":"你是技术支持专家，给出排查步骤…","billing":"你是账务专员，解释费用构成…","other":"你是通用客服…"}returnchat(prompts.get(route.strip().lower(),prompts["other"]),user_msg)# 模式 3 投票：ThreadPoolExecutor 真并行，多数表决defpattern_voting(question,n=3):fromconcurrent.futuresimportThreadPoolExecutorwithThreadPoolExecutor(max_workers=n)asex:answers=list(ex.map(lambda_:chat("只给最终答案。",question),range(n)))votes={}forainanswers:votes[a.strip()]=votes.get(a.strip(),0)+1returnmax(votes.items(),key=lambdakv:kv[1])# 模式 4 编排-工人：LLM 动态拆解（子任务数量由它决定）-> 并行执行 -> 汇总defpattern_orchestrator(task):plan=json.loads(chat("把任务拆成 2-3 个独立子任务，只输出 JSON："'{"subtasks": [...]}',task))# …ThreadPoolExecutor 并行执行每个 subtask，再让中心 LLM 汇总（完整版见 code/）# 模式 5 评估-优化：生成 -> JSON 打分 -> 反馈修改，score>=9 退出defpattern_evaluator(task,max_rounds=3):draft=chat("你是写手，完成用户任务。",task)forrndinrange(max_rounds):info=json.loads(chat('你是苛刻审稿人。只输出 JSON：''{"score": 0-10, "feedback": "..."}',f"稿件：\n{draft}"))ifinfo["score"]>=9:returndraft draft=chat("按审稿意见修改，只输出修改后全文。",f"审稿意见：{info['feedback']}\n原稿：\n{draft}")returndraft

【已实测】2026-10，deepseek-chat。

9.5 实测输出与行为指纹（节选）

=== 2. Routing：输入"这个月账单多扣了我 30 块钱" === [路由到 billing] 您好，我理解您对本月账单多出 30 元的疑问……（走账务专属 prompt，给出费用构成+退款流程） === 3. Voting：问"9.11 和 9.9 哪个大？" === 三次答案 [1, 2] 票分布 -> 采纳：9.11（2/3 票） ← 多数表决出了错答案！ === 4. Orchestrator-Workers：任务"为水培植物店设计开业推广方案" === （LLM 现场拆出 3 个子任务并行执行，汇总成"核心策略/线上/线下"三段方案） === 5. Evaluator-Optimizer：写一句学 Agent 的标语 === 第1轮评审: score=7 … 第2轮评审: score=7 … 第3轮评审: score=5 … （3 轮未达标，轮次用尽返回——评审分数不升反降）

三段输出比成功案例更有教学价值：

1. 路由的行为指纹：同一个用户消息经分类后走上完全不同的提示词，回复风格与内容结构立刻切换——这就是"分离关注点"的直观效果。
2. 投票的失败样本：9.9 > 9.11（按数值比较），但三次独立采样有两次答"9.11"，多数表决采纳了错答案。教训：投票只能消除随机采样噪声，消除不了模型的系统性偏差——模型共有的错误投多少次票都改不掉。投票适合"单次正确率中等、错误彼此独立"的场景（事实性数值比较恰恰不属于此类）。
3. 评审的噪声：三轮评分 7→7→5 不升反降，说明 LLM 评审者本身不稳定，max_rounds熔断避免了无限空转——评估-优化模式必须有明确的退出条件，否则就是烧钱循环。

9.6 动手练习

1. 把投票题换成"37 × 43 等于多少"，对比投票前后正确率——体会哪类错误投票修得了、哪类修不了。
2. 给评估-优化模式的评审 prompt 加"先逐条列出稿件缺陷再打分"，观察打分稳定性是否改善。

小结

• 基本构建单元 = 裸 LLM + retrieval + tools + memory；一切模式都是它的组合方式。
• 模式阶梯的核心是控制权归属：workflow（代码定路径）→ Agent（模型定路径）；先穷尽 workflow 再上 Agent。
• 微软第 3 课的 Agentic 设计原则：Space（连接而非坍缩、可达而偶尔隐形）/ Time（反思过去、轻推现在、适应未来）/ Core（拥抱不确定性但建立信任），落地三准则 = 透明、控制、一致——所有模式之上的产品哲学。
• 五大 workflow 模式：提示链（顺序+gate）、路由（分类+分支）、并行化（分段/投票）、编排者-工人（动态拆解）、评估-优化（循环打磨）——它们是积木，组合使用。
• 实测警示：投票修不了系统性错误；LLM 评审有噪声，循环必须有退出条件。

骨架定了，接下来三课填充 Agent 的三大内功：先讲怎么拆任务（参见第 10 课《规划与任务分解》），再讲怎么自主检索（参见第 11 课《Agentic RAG》），最后讲怎么自我检查（参见第 12 课《元认知与反思》）。多 Agent 形态的编排在第 22 课展开。

扩展阅读

🌐 网络提示：github.com 需代理（clone 可走 ghproxy 加速、push 优先 SSH）；anthropic.com 需代理（核心结论已摘进本课正文）；pip 安装建议加清华镜像-i https://pypi.tuna.tsinghua.edu.cn/simple。详见总纲附录《国内网络访问与国产适配指南》。

• Anthropic《Building Effective Agents》（五模式原文）：https://www.anthropic.com/engineering/building-effective-agents
• 微软原课第 3 课（Agentic Design Principles，本课 9.2b 节的来源）：https://github.com/microsoft/ai-agents-for-beginners/tree/main/03-agentic-design-patterns （含 zh-CN 翻译）
• 微软 HAX Toolkit（人机交互设计工具箱，原课 Additional Resources 推荐）：https://www.microsoft.com/en-us/research/project/hax-toolkit/
• OpenAI《Practices for Governing Agentic AI Systems》（原课同节推荐；openai.com 对部分网络环境返回 403，需代理访问）：https://openai.com/index/practices-for-governing-agentic-ai-systems/
• Spring AI 对五模式的框架化实现参考：https://docs.spring.io/spring-ai/reference/api/effective-agents.html

我的专栏