在构建 AI 应用时,您经常会遇到一些看似简单、但当您尝试在单次请求中处理所有内容时却变得复杂的任务。让我们探讨一种工作流模式,它可以帮助您分解复杂任务,并从 Claude 获得更好的结果。
复杂单次请求的问题
想象一下,您正在构建一个材料设计应用,用户上传零件的图片,然后获得最佳材料使用建议。您的第一反应可能是将图片发送给 Claude,并用一个简单的提示询问它应在金属、聚合物、陶瓷、复合材料、弹性体或木材之间做出选择。

这种基本方法或许可行,但您要求 Claude 在没有适当指导的情况下完成大量分析。一个自然的改进是扩展提示,为每种材料类型添加详细的评判标准。

然而,这会带来一个新问题:您最终会得到一个庞大的提示,这可能会使 Claude 感到困惑,因为它必须同时应付多个复杂的分析。模型可能会因为要同时考虑每种材料的各种利弊而分心。
更好的方法:并行化
与其将所有内容塞进一个请求,不如将任务拆分成多个并行运行的专门化请求。它的工作方式如下:

将同一张图片多次发送给 Claude,但每次使用不同的专门化提示。每个请求只专注于评估该零件是否适用于某一种材料:
- 一个请求分析其是否适合金属
- 另一个评估聚合物选项
- 第三个考虑陶瓷材料
- 其余材料类型依此类推
每个提示都可以针对其特定材料进行高度专门化,包括强度要求、耐温性或制造限制等相关标准。
汇总结果
一旦您收到所有单独的分析结果,就向 Claude 发出最后一次请求,让它充当汇总者。此请求会获取所有专门化的分析结果,并要求 Claude 对它们进行比较,给出最终建议。

现在,Claude 不需要从头比较各种材料。相反,它可以专注于评估分析结果,并根据您已经收集到的详细评估来确定最有希望的选项。
并行化模式
这种方法遵循一种称为并行化工作流的通用模式:

- 拆分:将单个复杂任务拆分为多个专门化的子任务
- 运行:并行(同时)运行各个子任务
- 汇总:在最后一步将结果汇总在一起
关键在于,这些并行化的子任务不必彼此相同。每个子任务都可以拥有专门化的提示、不同的工具,或针对其特定目的量身定制的独特方法。
并行化的优势
这种工作流模式具有以下几个优点:
- 注意力集中: Claude 可以一次专注于一项具体分析,而不必同时应付多个复杂的考量
- 更易优化: 您可以独立地改进和测试每个子任务的提示
- 更好的可扩展性: 添加新的材料类型或标准不会使现有子任务变得复杂
- 更快的执行速度: 由于子任务是并行运行的,总耗时通常比顺序方式更短
何时使用此模式
当您面对的复杂任务可以拆分为相互独立的子问题时,并行化的效果会很好。留意那些您要求 Claude 考虑多个选项、执行多种类型的分析,或同时处理同一问题不同方面的情形。
当每个子任务都能从专门化的提示中获益,或者当您希望在不让模型同时承受过多复杂性的情况下,确保对不同可能性进行全面覆盖时,这种模式尤其有用。