在建構 AI 應用程式時,您經常會遇到一些看似簡單但在嘗試於單一請求中處理所有事情時卻變得複雜的任務。讓我們來探討一種工作流程模式,它可以幫助您拆解複雜任務,並從 Claude 獲得更好的結果。
複雜單一請求的問題
假設您正在建構一個材料設計應用程式,使用者上傳零件圖片後會得到最佳材料使用建議。您的第一直覺可能是將圖片傳送給 Claude,並附上一個簡單的提示,要求它在金屬、聚合物、陶瓷、複合材料、彈性體或木材之間做出選擇。

這種基本方法或許可行,但您是在要求 Claude 進行大量分析,卻沒有提供適當的指引。一個自然的改進方式是擴展提示,為每種材料類型加入詳細的標準。

然而,這會產生一個新問題:您最終會得到一個龐大的提示,這可能會讓 Claude 感到困惑,因為它必須同時處理多個複雜的分析。模型可能會因為要同時考量每種材料的各種優缺點而分心。
更好的方法:平行化
您可以將任務拆分成多個並行執行的專門化請求,而不是將所有內容塞進單一請求中。運作方式如下:

將同一張圖片多次傳送給 Claude,但每次使用不同的專門化提示。每個請求只專注於評估該零件是否適合某一種材料類型:
- 一個請求分析金屬的適用性
- 另一個評估聚合物選項
- 第三個考量陶瓷材料
- 其他每種材料類型依此類推
每個提示都可以針對其特定材料高度專門化,包含相關標準,例如強度要求、耐溫性或製造限制。
彙整結果
一旦您收到所有個別分析結果,就向 Claude 提出最後一個請求,作為彙整者。這個請求會取用所有專門化分析,並要求 Claude 進行比較並做出最終建議。

現在 Claude 不需要從頭開始比較材料。相反地,它可以專注於評估分析結果,並根據您已經收集到的詳細評估,找出最有前景的選項。
平行化模式
這種方法遵循一種稱為平行化工作流程的通用模式:

- 拆分:將單一複雜任務拆分成多個專門化子任務
- 執行:平行(同時)執行這些子任務
- 彙整:在最後一個步驟中將結果彙整在一起
關鍵洞見在於,這些平行化的子任務不需要完全相同。每個子任務都可以有專門的提示、不同的工具,或針對其特定目的量身打造的獨特方法。
平行化的優點
這種工作流程模式提供了多項優勢:
- 專注力: Claude 可以一次專注於一項特定分析,而不必同時處理多個複雜的考量
- 更容易優化: 您可以針對每個子任務獨立改進和測試提示
- 更好的可擴充性: 新增材料類型或標準不會使既有子任務變得複雜
- 更快的執行速度: 由於子任務是平行執行的,總耗時通常會少於循序處理的方式
何時使用此模式
當您有一個可以拆解成獨立子問題的複雜任務時,平行化的效果會很好。尋找那些您要求 Claude 考量多個選項、執行多種類型分析,或同時處理同一問題不同面向的情況。
當每個子任務都能從專門化提示中獲益,或者當您想確保在不讓模型一次承受過多複雜度的情況下,充分涵蓋不同可能性時,這種模式特別有用。