任务分解策略

Anthropic 在《Building Effective Agents》中把这类多步 LLM 系统统称为 agentic systems，并按控制流归属分成两类：workflow 是「LLM 和工具通过预定义的代码路径被编排」，agent 则是「LLM 动态地主导自己的流程和工具使用，自行决定如何完成任务、何时结束」。这条分界线只看控制权在谁手里，和调用了几次模型、部署在哪、用不用工具或 MCP 都无关。

在 workflow 一侧，文章给出五种可组合的模式，都建立在 augmented LLM（具备检索、工具、记忆能力的单次调用）之上：

• prompt chaining 把任务拆成有先后依赖的固定步骤链式执行；

• routing 先对输入分类再分发到专门路径；

• parallelization 把任务拆成互不依赖的子任务并发执行（sectioning）或让同一任务跑多份取共识（voting）；

• orchestrator-workers 由一个中央 LLM 在运行时动态决定拆成哪些子任务并派发给 worker;evaluator-optimizer 则是生成—评估—反馈的迭代循环。

这个考点的核心是：分解策略的选择要看任务本身的性质——子任务边界能否在写代码时就确定、子任务之间是否存在数据依赖、是否需要迭代打磨——而不是死记模式名字对应哪句话。Anthropic 也强调应从最简单的方案开始，只有当它明确提升效果时才引入更复杂的分解或自主性。

这个考点常以「给一段场景描述，让你判断该用哪种分解模式」的形式出题，而不是直接考定义背诵。

典型出题角度包括：

• 根据子任务能否在运行前预先列出，区分 orchestrator-workers 与 parallelization；

• 根据子任务之间是否存在前后数据依赖，区分 prompt chaining 与 parallelization（sectioning）；

• 根据是否存在「生成—评估」反馈循环识别 evaluator-optimizer；

• 以及给出 workflow vs agent 的定义，用调用次数、托管位置、MCP 依赖等编造条件做干扰项。

还有一类「事故排查」式题目，考的是分解错误的根因定位——例如协调者把子任务拆得过窄导致覆盖不全，根源在分解阶段本身，而非下游执行是否正确。