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。
完整 FlowZap 代码
Trigger { # Trigger
n1: circle label:"Start"
n2: rectangle label:"PR submitted for review"
n1.handle(right) -> n2.handle(left)
n2.handle(bottom) -> Coordinator.n3.handle(top) [label="PR payload"]
}
Coordinator { # Coordinator Agent
n3: rectangle label:"Fan out to reviewers"
n4: rectangle label:"Gather all reviews"
n5: diamond label:"All passed?"
n6: rectangle label:"Approve PR"
n7: rectangle label:"Request changes"
n8: circle label:"Done"
n3.handle(bottom) -> Reviewers.n9.handle(top) [label="Style check"]
n3.handle(bottom) -> Reviewers.n10.handle(top) [label="Security audit"]
n3.handle(bottom) -> Reviewers.n11.handle(top) [label="Perf analysis"]
n4.handle(right) -> n5.handle(left)
n5.handle(right) -> n6.handle(left) [label="Yes"]
n5.handle(bottom) -> n7.handle(top) [label="No"]
n6.handle(right) -> n8.handle(left)
}
Reviewers { # Parallel Review Agents
n9: rectangle label:"Style Agent"
n10: rectangle label:"Security Agent"
n11: rectangle label:"Performance Agent"
n9.handle(top) -> Coordinator.n4.handle(bottom) [label="Style report"]
n10.handle(top) -> Coordinator.n4.handle(bottom) [label="Security report"]
n11.handle(top) -> Coordinator.n4.handle(bottom) [label="Perf report"]
}
相关模板
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。
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。
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。