9.3 基础设计模式

面向经管学生、研究者与从业者的 AI 智能体设计教材

作者

李学恒、林建浩、严翊歆

发布于

2026-05-11

Anthropic 官方在早期实践中总结了五大设计模式，分别对应不同的任务特征。结合多子代理编排的实践需求，共有六种模式。先从三种基础模式开始。

模式 1：顺序工作流编排

Sequential Workflow Orchestration

适用场景：多步骤流程必须按特定顺序执行，步骤之间存在依赖关系。

金融案例——季度财报分析：

▶ Skill

---
name: quarterly-financial-analysis
description: 当用户需要对上市公司做季度财报分析时使用。支持从数据获取到报告生成的完整流程。
allowed-tools: "Bash(python:*) Read Write Glob"
---

## 步骤 1：获取财务数据
运行 python scripts/fetch_financials.py --ticker {TICKER} --quarter {Q}
获取：利润表、资产负债表、现金流量表
预期输出：data/raw_{TICKER}_{Q}.json

## 步骤 2：计算核心比率
运行 python scripts/compute_ratios.py --input data/raw_{TICKER}_{Q}.json
计算指标：ROE、资产负债率、流动比率、毛利率、净利率
预期输出：data/ratios_{TICKER}_{Q}.json

## 步骤 3：生成同业对比
读取 references/industry_benchmarks.md 获取行业基准值
将步骤 2 的比率与行业中位数逐项对比
标注优于/低于行业的指标

## 步骤 4：产出分析报告
按 assets/report_template.md 格式生成报告
包含：数据摘要、比率分析、同业对比、风险提示
保存到 output/report_{TICKER}_{Q}.md

关键技法

顺序编排的核心是步骤依赖。步骤 2 需要步骤 1 的数据文件，步骤 3 需要步骤 2 的计算结果。每步完成后检查输出文件是否存在，任一步失败则停止并报告错误位置。

模式 2：多 MCP 协调

Multi-MCP Coordination

适用场景：工作流跨越多个外部服务，需要协调不同 MCP 的调用顺序和数据整合。

金融案例——跨平台研究报告：

▶ Skill

---
name: cross-platform-research
description: 当用户需要生成综合研究报告、涉及学术文献和市场数据时使用。协调多个数据源完成跨平台分析。
allowed-tools: "Read Write Glob mcp__scholar__search mcp__market__query mcp__market__indicators"
---

## 阶段 1：学术文献检索（Scholar MCP）
1. 根据用户指定的研究主题，检索近 3 年相关论文
2. 提取每篇论文的核心发现和方法论
3. 输出：literature_summary.md

## 阶段 2：市场数据获取（Market MCP）
1. 获取主题相关的行业指标和市场数据
2. 计算趋势变化和关键转折点
3. 输出：market_analysis.md

## 阶段 3：报告整合
1. 综合阶段 1 的学术发现和阶段 2 的市场数据
2. 识别学术研究与市场表现的一致性和分歧
3. 生成包含文献综述、数据分析、综合判断的研究报告
4. 保存到 output/research_{topic}_{date}.md

## 错误处理
- 任一 MCP 连接失败：记录错误，用已获取数据继续
- 数据不完整：在报告中标注缺失部分

数据格式统一

多 MCP 协调的常见问题是不同服务返回的数据格式不一致。在每个阶段的输出部分定义标准格式，确保下一阶段能正确接收。

模式 3：迭代精修

Iterative Refinement

适用场景：输出质量需要通过多轮检查和修正逐步提升。

金融案例——政策简报生成：

▶ Skill

---
name: policy-brief-generator
description: 当用户需要生成政策简报、研究摘要或决策备忘录时使用。通过多轮检查确保输出质量。
allowed-tools: "Bash(python:*) Read Write Glob"
---

## 初稿生成
1. 读取用户提供的政策文件或研究材料
2. 按 assets/brief_template.md 格式生成初稿
3. 保存到 temp/brief_draft.md

## 质量检查
运行 python scripts/check_brief.py --input temp/brief_draft.md
检查项目：
- 事实准确性：引用的数据和政策条文是否正确
- 结构完整性：摘要、背景、分析、建议四个板块是否齐全
- 格式规范：标题层级、引用格式、术语使用是否统一
- 篇幅控制：总字数是否在 1500-2500 字范围内

## 精修循环
1. 逐项修复检查脚本报告的问题
2. 重新运行检查脚本验证修复效果
3. 如仍有未通过项，重复修复-验证循环
4. 最多迭代 3 轮

## 定稿
1. 应用最终格式
2. 生成三句话的核心发现摘要
3. 保存到 output/brief_final.md

关键技法

迭代精修的精髓在于将质量标准写成可执行的检查脚本，而非依赖智能体的自我判断。代码执行是确定性的，自然语言判断则可能产生偏差。质量标准越关键，越应该用脚本实现。设置最大迭代次数（通常 3 轮）防止无限循环。

--- title: "9.3 基础设计模式" --- ![9.3 配图](images/img_03_basic_patterns.png) Anthropic 官方在早期实践中总结了五大设计模式，分别对应不同的任务特征。结合多子代理编排的实践需求，共有六种模式。先从三种基础模式开始。 ### 模式 1：顺序工作流编排 **Sequential Workflow Orchestration** 适用场景：多步骤流程必须按特定顺序执行，步骤之间存在依赖关系。金融案例——季度财报分析： ```skill --- name: quarterly-financial-analysis description: 当用户需要对上市公司做季度财报分析时使用。支持从数据获取到报告生成的完整流程。 allowed-tools: "Bash(python:*) Read Write Glob" --- ## 步骤 1：获取财务数据运行 python scripts/fetch_financials.py --ticker {TICKER} --quarter {Q} 获取：利润表、资产负债表、现金流量表预期输出：data/raw_{TICKER}_{Q}.json ## 步骤 2：计算核心比率运行 python scripts/compute_ratios.py --input data/raw_{TICKER}_{Q}.json 计算指标：ROE、资产负债率、流动比率、毛利率、净利率预期输出：data/ratios_{TICKER}_{Q}.json ## 步骤 3：生成同业对比读取 references/industry_benchmarks.md 获取行业基准值将步骤 2 的比率与行业中位数逐项对比标注优于/低于行业的指标 ## 步骤 4：产出分析报告按 assets/report_template.md 格式生成报告包含：数据摘要、比率分析、同业对比、风险提示保存到 output/report_{TICKER}_{Q}.md ``` ::: {.callout-tip} ## 关键技法顺序编排的核心是步骤依赖。步骤 2 需要步骤 1 的数据文件，步骤 3 需要步骤 2 的计算结果。每步完成后检查输出文件是否存在，任一步失败则停止并报告错误位置。 ::: ### 模式 2：多 MCP 协调 **Multi-MCP Coordination** 适用场景：工作流跨越多个外部服务，需要协调不同 MCP 的调用顺序和数据整合。金融案例——跨平台研究报告： ```skill --- name: cross-platform-research description: 当用户需要生成综合研究报告、涉及学术文献和市场数据时使用。协调多个数据源完成跨平台分析。 allowed-tools: "Read Write Glob mcp__scholar__search mcp__market__query mcp__market__indicators" --- ## 阶段 1：学术文献检索（Scholar MCP） 1. 根据用户指定的研究主题，检索近 3 年相关论文 2. 提取每篇论文的核心发现和方法论 3. 输出：literature_summary.md ## 阶段 2：市场数据获取（Market MCP） 1. 获取主题相关的行业指标和市场数据 2. 计算趋势变化和关键转折点 3. 输出：market_analysis.md ## 阶段 3：报告整合 1. 综合阶段 1 的学术发现和阶段 2 的市场数据 2. 识别学术研究与市场表现的一致性和分歧 3. 生成包含文献综述、数据分析、综合判断的研究报告 4. 保存到 output/research_{topic}_{date}.md ## 错误处理 - 任一 MCP 连接失败：记录错误，用已获取数据继续 - 数据不完整：在报告中标注缺失部分 ``` ::: {.callout-note} ## 数据格式统一多 MCP 协调的常见问题是不同服务返回的数据格式不一致。在每个阶段的输出部分定义标准格式，确保下一阶段能正确接收。 ::: ### 模式 3：迭代精修 **Iterative Refinement** 适用场景：输出质量需要通过多轮检查和修正逐步提升。金融案例——政策简报生成： ```skill --- name: policy-brief-generator description: 当用户需要生成政策简报、研究摘要或决策备忘录时使用。通过多轮检查确保输出质量。 allowed-tools: "Bash(python:*) Read Write Glob" --- ## 初稿生成 1. 读取用户提供的政策文件或研究材料 2. 按 assets/brief_template.md 格式生成初稿 3. 保存到 temp/brief_draft.md ## 质量检查运行 python scripts/check_brief.py --input temp/brief_draft.md 检查项目： - 事实准确性：引用的数据和政策条文是否正确 - 结构完整性：摘要、背景、分析、建议四个板块是否齐全 - 格式规范：标题层级、引用格式、术语使用是否统一 - 篇幅控制：总字数是否在 1500-2500 字范围内 ## 精修循环 1. 逐项修复检查脚本报告的问题 2. 重新运行检查脚本验证修复效果 3. 如仍有未通过项，重复修复-验证循环 4. 最多迭代 3 轮 ## 定稿 1. 应用最终格式 2. 生成三句话的核心发现摘要 3. 保存到 output/brief_final.md ``` ::: {.callout-tip} ## 关键技法迭代精修的精髓在于将质量标准写成可执行的检查脚本，而非依赖智能体的自我判断。代码执行是确定性的，自然语言判断则可能产生偏差。质量标准越关键，越应该用脚本实现。设置最大迭代次数（通常 3 轮）防止无限循环。 :::