AI 应用开发的四种架构范式(学习内容整理)
范式一：Prompt Engineering（提示词工程）
核心理念
一切交给模型。
描述
在这个范式下，所有的处理逻辑都在一个大模型（LLM）的黑盒里一次性完成 。开发者要做的核心工作，就是去构建并优化给到模型的那一长串 Message List。
输入构成
通常包括：
- 静态文本（如手动粘贴的竞品数据）
- 思维链 CoT（如生成报告的步骤指导）
- 任务预期（目标、风格样例等）
局限性
- 容易超出上下文限制：虽然现在模型号称支持 100K 甚至更大的上下文，但实战中，当文本量超过 3-5 万字后，模型的指令遵循能力和逻辑提取能力会大幅下降。
- 对模型要求极高，效果不稳定：你把所有的压力都给到了模型的大脑，模型一换或者稍有波动，你的提示词可能就要推翻重调。
范式二：Workflow / Chain（代码驱动的流水线）
核心理念
预先编排，稳定执行。
描述
这是目前工业界落地最多、大家最熟悉的一种范式。它的本质是 Code-Driven（程序员决定下一步）。
开发者通过硬编码（Hard-coded Path）预先设计好整个处理路径，在其中的某些节点调用大模型的能力：
典型流程
- 爬虫抓取网页（代码节点）
- Python 清洗 HTML（代码节点）
- LLM 提取观点和信息（分析节点）
- LLM 生成报告（总结节点）
- LLM 检查报告并改进（审核节点）
- 写入 PDF（代码节点）
优势
极其稳定。只要边界清晰，这种方式能解决 80%-90% 的工程落地问题。
局限性
一旦遇到步骤不确定、异常分支极多的复杂场景（比如排查一个未知的线上系统 Bug），工作流的枚举成本就会变得不可接受。
范式三：Single Agent（五脏俱全的数字生命）
核心理念
模型决定下一步（Model-Driven）。
描述
这就超越了传统程序员的掌控范畴。在这个范式下，模型成为了真正的“大脑”。你只需要给它任务目标、工具箱（Tools）和记忆（Memory），它会基于反馈回路自主进行规划（Planning）。
执行过程示例（竞品分析任务）
- 接收竞品分析任务
- 拆解搜索任务
- 工具调用：搜索
- 判断信息是否充足：
- 如果信息不足 ，它会自主决定补充搜索 或调用爬虫
- 如果信息充足，则进入下一步
- 生成报告 -> 审查报告 -> 写入文件系统
痛点
单体 Agent 在执行复杂长链路任务时，每一次搜索和调用结果都会堆积在上下文中，导致上下文迅速膨胀，最终引发模型幻觉或执行崩溃。
范式四：Multi-Agent System（组织的力量）
核心理念
用组织的力量给模型“减负”。
描述
必须澄清一个误区：在一条工作流里用了三个不同的 Prompt 节点，不叫 Multi-Agent。真正的 Multi-Agent 系统，其每一个节点都必须是一个具备自主决策能力的 Single Agent。
设计目的
1）上下文隔离与动态交互（Context Isolation & Interaction）
把每个步骤做到极致。
原本单体 Agent 会把所有搜索和分析的历史塞满脑子；而在 MAS 中：
- Role A（研究员）只负责搜索数据并传递
- Role B（分析师）拿到精简后的数据进行分析
- Role C（审核员）负责质检，不合格则回退 / 拒绝（Kickback / Reject）
子任务的隔离大幅缩短了单个 Agent 的上下文长度。
2）工具的专注度
研究员拥有搜索工具，分析师拥有数据分析工具 。
就像企业里不同岗位的员工各司其职，这就避免了模型在海量工具库中选错工具的风险。