Skill = Agent + Workflow
2024 年 12 月 19 日，Anthropic 发表了一篇文章《Building effective agents》。
这篇文章把 Agentic System 分成了两类 Workflow（工作流）和 Agent（智能体），文章中还明确了这两种技术路径的使用场景：
- Workflow：为定义明确的任务提供可预测性和一致性。
- Agent：用于难以预测或无法预测所需步骤数，且无法预先设定固定路径的开放式问题。
当时正值 n8n 和 dify 此类工具的爆发期间，文中列举的五大 Workflow 模式，与当时这些工具的应用场景形成了完美共振。
从文章的内容来看，它明确将这两种技术路径分开，并且肯定了 Agent 构建模式的简单强大。
两个月后，Anthropic 发布了 Claude Code。
之后的一段时间里 Agent 虽然大行其道，但是 Workflow 的开发思想并没有消亡，反而和 Agent 融合成为了 Anthropic 提出的下一个概念：Skill。
关于 Skill 的核心思想（详见我 12 月 28 日的帖子），我暂不展开，今天主要带大家一起回顾一下 Anthropic 这篇文章中所论述的 Workflow 使用场景，读完你会发现，这些正是编写 Skill 时不可或缺的底层逻辑。
1. Prompt Chaining（提示词链）
思想：把任务拆成连续步骤，每步的输出成为下一步的输入。
适用于：任何可以清晰分解成固定子任务的时候。
应用场景：先生成营销文案，再翻译成其他语言；先写文档大纲，检查大纲是否符合要求，再根据大纲写正文。
2. Routing（路由）
思想：对输入分类，分发到不同的专门任务。
适用于：明确的分类类别，不同类别需要不同处理方式。
应用场景：客服系统把一般问题、退款请求、技术支持分到不同流程。
3. Parallelization（并行化）
思想：把任务拆成独立的子任务同时跑和同一个任务跑多次，汇总结果。
适用于：子任务可以并行加速，或者需要多个视角提高准确率。
应用场景：代码审查时多个提示词从不同角度检查漏洞；一个模型处理用户查询，另一个同时筛查不当内容。
4. Orchestrator-Workers（编排者-工人）
思想：中心 LLM 动态拆解任务，分配给 Worker LLM，再汇总结果。
适用于：无法预测需要哪些子任务的复杂任务。
应用场景：代码修改，要改多个文件，每次改动的文件数和内容都不确定。
5. Evaluator-Optimizer（评估者-优化者）
思想：一个 LLM 生成结果，另一个评估并反馈，循环优化。
适用于：有明确评估标准，迭代能带来明显改进。
应用场景：文学翻译的细节打磨；复杂搜索任务需要多轮搜索和分析。
这篇文章发布的十个月后，Claude Code 中的 Skill 正式发布。
从中我们窥见 Workflow 的开发思想并没有被 Agent 淘汰，它只是内化了。
Workflow 提供了约束，Agent 提供了推理，二者合二为一变成了人人都可以构建的 Skill。
工具在变，但拆解复杂世界的逻辑，永不过时。
