AI原生编排器-工作者架构
Architecture
编排器-工作者架构,其中编排器智能体将目标分解为子任务,分派给专业工作者,然后综合最终响应。这是最常见的"智能体编排"架构——强大,但随着工作者数量增长,编排器可能成为瓶颈。
完整 FlowZap 代码
User { # User
n1: circle label:"Start"
n2: rectangle label:"Submit complex task"
n1.handle(right) -> n2.handle(left)
n2.handle(bottom) -> Orchestrator.n3.handle(top) [label="Task"]
}
Orchestrator { # Orchestrator Agent
n3: rectangle label:"Receive task"
n4: rectangle label:"Break into subtasks"
n5: rectangle label:"Dispatch subtasks"
n6: rectangle label:"Collect results"
n7: rectangle label:"Synthesize final answer"
n8: circle label:"Done"
n3.handle(right) -> n4.handle(left)
n4.handle(right) -> n5.handle(left)
n5.handle(bottom) -> Research.n9.handle(top) [label="Research subtask"]
n5.handle(bottom) -> Code.n11.handle(top) [label="Code subtask"]
n5.handle(bottom) -> Review.n13.handle(top) [label="Review subtask"]
n6.handle(right) -> n7.handle(left)
n7.handle(right) -> n8.handle(left)
n7.handle(top) -> User.n2.handle(bottom) [label="Response"]
}
Research { # Research Agent
n9: rectangle label:"Search sources"
n10: rectangle label:"Summarize findings"
n9.handle(right) -> n10.handle(left)
n10.handle(top) -> Orchestrator.n6.handle(bottom) [label="Research result"]
}
Code { # Code Agent
n11: rectangle label:"Generate code"
n12: rectangle label:"Run tests"
n11.handle(right) -> n12.handle(left)
n12.handle(top) -> Orchestrator.n6.handle(bottom) [label="Code result"]
}
Review { # Review Agent
n13: rectangle label:"Evaluate quality"
n14: rectangle label:"Flag issues"
n13.handle(right) -> n14.handle(left)
n14.handle(top) -> Orchestrator.n6.handle(bottom) [label="Review result"]
}
相关模板
AI原生生成器-评判者架构
Architecture
竞争式/生成器-评判者架构,多个生成器产生独立答案,然后评估器智能体评分并选择最佳输出。这种方法提高质量并减少单模型脆弱性。它更昂贵(多次LLM调用),但当正确性或创造力比延迟更重要时值得。
AI原生单智能体架构
Architecture
单智能体AI架构,其中一个智能体处理所有事务:解析请求、推理、通过MCP调用工具、生成响应。这是原型和简单自动化的默认架构——易于调试,但很快达到上下文窗口限制且难以并行化。适合快速交付的MVP和独立开发者。
AI原生顺序流水线架构
Architecture
顺序流水线架构,以固定顺序链接多个智能体(解析→丰富→分析→格式化),这是当每个步骤可以隔离时常见的"LLM微服务"配置。这种结构常用于文档处理和ETL类工作流,因为每个步骤都是可测试和可预测的。
AI原生并行扇出架构
Architecture
并行扇出架构,同时在独立检查(样式、安全、性能)上运行多个智能体,然后合并结果。这是吞吐量的标准多智能体设计方法,很好地映射到CI/CD、事件响应和研究。扇入协调成为微妙部分。
AI原生事件驱动Kafka架构
Architecture
事件驱动智能体AI架构,用Kafka/PubSub主题替换中央编排器:智能体订阅、响应并发布新事件。这使多智能体系统与经过验证的微服务编舞保持一致,适合实时、高吞吐量系统和"智能体网格"配置。