Prompt Chaining 链式调用
Prompt Chaining 的实现思路比较简单：上一个 LLM 的输出作为下一个 LLM 的输入。这样的 agentic 范式适合那些可以被分解成 sequential assembly line 的任务。
然而这样的方法也有局限性：这样的任务也依赖于人工对任务进行拆解。
Routing 路由转发
顾名思义，Routing Flow 下，一个小型的 LLM 负责解析用户的指令，判断指令所属的任务，然后转发给对应的 LLM 进行处理。
这样做的一个好处就是可以控制 API 调用成本。例如用小模型进行解析工作，如果指令比较简单，则转发给小模型进行指令处理；否则把复杂指令交给 API 调用费更贵的大模型进行进一步的处理。
Parallelization 并行处理
A task is broken down into independent subtasks that are processed simultaneously by multiple LLMs, with their outputs being aggregated.
- RAG with Query Decomposition
- 分析复杂文档
Reflection 生成并反思
Reflection 是让 LLM 重新评判自己生成的内容是否满足要求，如果不满足，则继续生成（修正）。这种范式已经出现在诸如 VSCode Copilot 等产品上
Tool Use 工具使用
在我看来，Tool Use 只是 Reflection 的一种形式：评判的过程换成了外部工具的调用。
Planning
中央 LLM 将任务拆解为多个子任务，然后转发给专门的 LLM 进行处理并汇总。和 Routing 很像，但区别在于 Routing 直接转发一整个任务，而 Planning 先拆分大任务，再将小人物转发处理。
Multi-Agent
Manager 形式
Manager 形式实现的 MultiAgent 分多个角色：manager 和 worker. 每个 worker 具有特定领域的专业知识和特定工具的访问权限，manager 则可以分析任务进展，指定 worker 进行任务协作。
Swarm 形式
Swarm 形式实现的 Multi Agent 相比于 Manager 形式来说，去掉了负责协调的 central manager，直接让 worker 之间自行合作。