图解六种 Workflow 常见模式
💯
搭建Claude智能体 Workflow 时，通过模块化搭配、分工协作、迭代校验等方式，化解大模型单次输出的能力局限，高效拆解复杂任务、优化输出效果、保障执行稳定性。
一、分类执行模式（Classify-And-Act）
分类执行是AI工作流搭建中最基础、落地最广泛的核心范式。使用分类器代理来决定任务类型，然后根据任务将请求路由至不同的代理或行为。
✍️
整体分为两种落地形式：
•
一种是前置分类调度，在任务启动之初，由分类智能体判定用户需求的业务类型，再将任务精准分配至对应的执行智能体，让不同需求匹配专属的处理逻辑；
•
另一种是后置结果规整，在任务执行完毕后，通过分类机制对输出内容进行归类、修正与统一标准化处理，统一整体输出规范。
✅ 该模式的核心思路，是依托专属分类智能体完成用户需求的识别与分流调度，实现不同类型任务的差异化、精准化处理。
💡 这套模式主要解决多类型任务混杂处理、执行逻辑混乱的问题，适配业务场景丰富、需要标准化批量处理的工作场景，能够有效提升工作流的适配能力与运行效率，让繁杂的多场景任务处理流程更加规范有序。
二、扇出聚合模式（Fanout-And-Synthesize）
单一智能体独立处理很容易出现上下文信息干扰、细节遗漏、逻辑断层等问题。
✍️
•
扇出聚合模式针对这类痛点设计的高效解决方案，将整体复杂任务拆解为多个粒度更细、相互独立的子任务，调度多个智能体同步开展并行作业。
•
结果聚合是该工作流的关键闭环节点，系统会统一等待所有并行子任务全部执行完成，杜绝任何环节的结果缺失，再将零散、差异化的子任务输出进行结构化整理、融合与归纳，最终整合出一套完整、统一、逻辑通顺的整体结论。
💡 扇出聚合模式各个子智能体拥有独立的上下文窗口，完全规避多步骤任务之间的信息串扰与逻辑干扰，最大程度保留各环节的执行精度，特别适合多维度分析、多模块拆解、多要素复盘等精细化、高复杂度的工作场景。
三、对抗性验证模式（Adversarial Verification）
大模型自主生成内容时，普遍存在细节偏差、内容疏漏、合规性不足、逻辑不严谨等问题，缺乏人工干预的单一输出很难满足专业业务标准。对于每个生成的智能体，运行一个独立的生成智能体，以对抗性方式将其输出与评分标准或评判准则进行验证。
✍️
•
对抗性验证模式通过搭建“生成+核验”双向独立的智能体架构，打造完整的质量校验闭环，从根源上解决输出质量不可控的问题。该模式会为每一个负责内容生成、任务执行的工作智能体，单独配置专属的核验智能体，两者相互独立、互不干扰。
•
核验智能体严格依据预设的评分标准、业务规范、行业准则与合规要求，以批判性、对抗性的视角对生成内容进行全方位排查，精准识别内容错误、逻辑漏洞、合规风险、数据偏差等各类问题。
•
区别于常规的简单复核，这种独立对抗的校验方式标准更严苛、审核更客观，彻底解决了“自我生成、自我审核”带来的主观性偏差与审核盲区。
💡 目前该模式广泛应用于专业文案输出、数据研判分析、内容合规审核、行业报告撰写等对内容精准度、规范性、严谨性有极高要求的场景，是保障AI工作流输出质量的核心屏障。
四、生成筛选模式（Generate-And-Filter）
✅ 生成筛选模式核心逻辑为“批量产出、严格筛选、精品提纯”。围绕某一主题生成若干创意，然后按照评分标准或验证标准进行筛选，去除重复项，最终仅保留经过检验的高质量创意。
✍️
💡 这种先广覆盖、后精筛选的作业模式，既打破了单一模型的思维局限，丰富了成果的多样性，又通过标准化筛选机制严控输出质量，是开放性、创意类AI任务落地的首选范式。
五、锦标赛模式（Tournament）
锦标赛模式的核心逻辑是“同题竞技、择优录取”，无需拆解原始任务。生成N个智能体，每个智能体都采用不同的方法尝试完成同一任务。随后，由评估智能体以两两比较的方式对结果进行打分，直至产生最终的优胜者。
✍️
所有智能体完成输出后，专属评估智能体将启动锦标赛式的两两对比评审机制，从结果准确性、内容完整性、逻辑严密性、场景适配度、实际实用性等多个维度，对所有成果进行分层打分、逐级比拼、淘汰筛选，经过多轮比对后，筛选出综合质量最优的结果作为最终输出。
💡 该模式的核心价值在于整合多元解题思路，充分发挥不同智能体算法逻辑的优势，规避单一方案的片面性与局限性，非常适合方案决策、技术攻坚、最优方案筛选、疑难问题求解等需要极致高质量输出的核心场景。
六、循环动态迭代模式（Loop Until Done）
循环动态迭代模式，在实际业务落地中，大量任务存在工作量未知、问题边界模糊、风险点不确定等特征，固定迭代次数、固定执行流程的传统工作流，很容易出现执行不彻底、问题残留、无效重复运算等问题。对于工作量未知的任务，应循环启动代理，直至满足停止条件（无新发现，或日志中不再出现错误）为止，而非按固定次数执行。
✍️
该模式摒弃了刻板的固定次数执行逻辑，采用动态循环迭代机制，持续驱动智能体开展任务攻坚、问题排查与内容优化，全程以预设的终止条件作为执行依据。只有当任务满足无新增有效信息、无残留问题、日志无报错、核心目标完全达成等标准时，工作流才会自动终止运行。
💡 这种灵活的动态执行机制，完美适配各类未知性、复杂性、排查类、攻坚类任务，既不会因迭代次数不足导致任务收尾不彻底，也不会因无效迭代造成算力与时间资源浪费，让整体工作流的执行更贴合真实业务场景。
构建动态工作流的技巧
提示词
💡 工作流并不仅适用于大型任务。您也可以引导模型使用“快速工作流”。例如，可以针对某个假设创建一次快速的对抗性评审。
与 /goal 和 /loop 结合使用
💡 在使用可重复执行的工作流时，例如分类、调研或验证，可将其与 /loop 配合使用，以按固定间隔运行，并搭配 /goal 设置明确的完成条件。
令牌使用预算
💡 可以为动态工作流设置明确的令牌使用预算，以限制某个任务使用的令牌数量。您可以通过类似“使用1万令牌”的提示来设定上限。
保存与分享动态工作流
💡 可以在工作流菜单中按“s”键来保存工作流。您可以将这些工作流提交到~/.claude/workflows，或通过技能进行分发。