一、提示链（Prompt Chaining）
提示链也被称为流水线模式，是处理复杂任务的基础范式。它核心思路是“分而治之”，将复杂任务拆解为一系列独立、简单的子任务，每个子任务通过专门设计的提示来解决，前一个子任务的输出会作为下一个子任务的输入，形成有序的工作流。
这种模式能有效解决单一提示处理复杂任务时的指令遗漏、错误传播、上下文窗口不足等问题。例如处理市场调研报告时，可先通过提示总结报告核心结论，再基于总结识别新兴趋势，最后依据趋势撰写营销邮件，每一步都聚焦单一目标，提升了任务处理的准确性和可控性。同时，还能在链的各步骤中整合外部知识与工具，突破模型自身训练数据的限制，拓展应用范围。
二、路由（Routing）
路由模式为智能体引入了条件逻辑，使其能根据环境状态、用户输入或前序操作结果，动态选择后续执行路径，让系统行为更具灵活性和上下文感知能力。
其核心是一个执行评估并引导流程的机制，实现方式多样：基于大语言模型的路由，通过提示词让模型分析输入并输出操作指令；基于嵌入的路由，将输入转换为向量嵌入，与预设路由的嵌入对比，按相似度分配任务；基于规则的路由，依靠预定义规则和关键词判断，速度快但灵活性稍弱；基于机器学习模型的路由，通过专门训练的分类器完成路由决策。在客户咨询场景中，路由模式可根据用户问题类型，将其分配给对应专业智能体、数据库检索工具或人工客服。
三、并行化（Parallelization）
并行化模式针对可拆分为多个独立子任务的场景，让这些子任务同时执行，无需等待前序步骤完成，从而显著缩短整体执行时间，提升系统效率与响应性。
该模式的关键是识别工作流中不依赖其他环节输出的部分，借助支持异步执行的框架（如LangChain、LangGraph、Google ADK）实现并发运行。在信息收集与研究场景，企业研究智能体可同时搜索新闻文章、拉取股票数据、查询社交媒体提及情况；在数据处理与分析场景，客户反馈分析智能体可并行执行情感分析、关键词提取、反馈分类等操作，快速生成多维度结果。
四、反思（Reflection）
反思模式让模型在生成初步结果后，进行自我评估和优化，是提升输出质量的重要模式，常用于代码生成、写作等对结果精度要求较高的场景。
模型会对照任务要求、质量标准等，检查初步结果中的错误、不足或可改进之处，然后针对性地调整完善。比如在代码生成任务中，模型先写出代码，接着检查代码是否存在语法错误、逻辑漏洞，是否符合编程规范，再对问题部分进行修改；在写作场景，模型完成初稿后，会评估文章的结构合理性、内容连贯性、语言准确性，进而优化语句、调整结构。
五、计划（Planning）
计划模式由主控模型负责制定整体计划，将复杂任务拆解为多个子任务，并分配给不同Agent协作完成，适用于复杂项目管理、研究报告撰写等场景。
主控模型会先分析任务目标、需求和约束条件，制定详细的执行计划，明确各子任务的内容、执行顺序、负责Agent等。以复杂研究报告撰写为例，主控模型可将任务拆分为资料收集、数据统计、内容撰写、图表制作等子任务，分别交给对应专业Agent，同时把控整体进度和质量，确保各部分内容协调统一，最终整合出完整的研究报告。
六、多智能体协作（Multi-Agent Collaboration）
多智能体协作模式让多个具备不同角色和能力的Agent协同工作，共同完成复杂任务，能模拟人类团队协作，发挥各Agent的优势。
在模拟辩论场景中，不同Agent可分别扮演正方、反方和裁判，正方Agent阐述观点、提供论据，反方Agent提出反驳、寻找漏洞，裁判Agent则把控辩论节奏、评判双方表现；在协作写作场景，有的Agent负责素材收集，有的负责内容创作，有的负责审核校对，通过分工协作高效完成写作任务。这种模式能处理单个Agent难以胜任的复杂任务，提升系统的整体能力和灵活性。