AI原生单智能体架构
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。
模板
浏览可直接使用的 FlowZap 工作流模板。支持关键词搜索，并可通过高价值标签筛选。 想分享您的 FlowZap Code 作品？附上您的姓名和网站链接？在此提交您的 FlowZap Code。
Top tags:
17 个模板
AI原生顺序流水线架构
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
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原生并行扇出架构
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
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
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。
智能体主管-工作者架构
主管-工作者多智能体架构，其中编排器智能体接收高级目标，将其分解为子任务，委派给专业工作者智能体（研究员、写作者、QA），监控执行、处理故障并综合结果。编排器管理但不亲自执行任务。
AI编排 - 编排器-工作者
指挥式架构，其中一个编排器智能体接收复杂任务，将其分解为子任务，分派给专业工作者智能体（研究、代码、审查），收集结果并综合最终答案。最适合具有动态分解的复杂多步骤任务。
AI编排 - 层级（组织结构图）
组织结构图架构，具有多级结构。顶级监督者管理团队负责人，每个负责人管理自己的专业工作者池。团队中的团队。最适合具有10多个专业智能体、跨越多个领域的企业级自动化。
AI编排 - 并行扇出（Map-Reduce）
Map-Reduce风格架构，其中协调器将任务扇出到多个并行工作者智能体（风格检查、安全审计、性能分析），收集所有结果并做出聚合决策。最适合PR审查、代码审查和多维度分析。
AI编排 - 事件驱动网格（Kafka优先）
使用Kafka风格事件代理的事件驱动智能体网格架构。多个智能体订阅主题（订单、警报、分析），独立处理事件，并将结果发布回总线。最适合实时事件处理和解耦服务架构。
上下文管理 - 共享记忆
多智能体协调模式，其中编排器将工作分解为子任务，专业智能体从共享状态存储中拉取和推送，编排器从该共享状态组合最终答案。多智能体设置感觉连贯，而不是每个助手都有自己的不一致记忆。