摘要：另外还有个 Learn Claude Code 的项目也不错，准备边学边改着玩~ 这个系列学习是开胃菜。吃完后，拿自己的项目开刀，做完整重构——打造全栈 + AI Agent Resume 项目，从头到尾一条龙： AI辅助产品 + UI设计 → NestJS 后端 + 数据库 → 前端 + AI 交互 → 部署上线 先立个 Flag：接下来的文章认真打磨，竭尽所能，打造精品，要是太监了请来评论区骂醒我 😄 当然要是你感兴趣的话，点个赞 + 关注，我们一起干——行动起来，就不会焦虑了不是吗？amp;& result.length > 20) return result; } catch (e) { console.error([${stepName}] 第${attempt}次失败:, e); } } throw new Error(`[${stepName}] 重试${maxRetries}次后仍失败

📌 系列简介：「AI Agent学习」系统学习 21 个 Agent 设计模式。

⏱️ 预计阅读时间：15 分钟

📖 原书地址：adp.xindoo.xyz 发现本好书，建议配合原书阅读。我是前端转JS全栈，正在学习 AI，理解难免有偏差，欢迎批评指正 ~

前言

大势所趋，前端想继续深钻确实越来越难——这不是在制造焦虑，是我自己在认真想这件事：前端想转 JS 全栈 + AI，到底该怎么走？ 以前写过一篇 学习 TailwindCSS 顺便打造个性化在线简历项目——没有 AI 帮我生成文章，自己查资料、折腾项目、踩坑填坑。那篇文章给我留下了土壤，也真的对找工作有所帮助。 现在同样的思路，不一样的是多了 AI 当队友 ^_^

前端或者程序员未来该怎么走？这个系列文章算是我的答案吧！先自己糙，不焦虑，相信自己，前端老油条 + AI = 产品、UI、前后端、测试运维全干。

另外还有个 Learn Claude Code 的项目也不错，准备边学边改着玩~

这个系列学习是开胃菜。吃完后，拿自己的项目开刀，做完整重构——打造全栈 + AI Agent Resume 项目，从头到尾一条龙： AI辅助产品 + UI设计 → NestJS 后端 + 数据库 → 前端 + AI 交互 → 部署上线

先立个 Flag：接下来的文章认真打磨，竭尽所能，打造精品，要是太监了请来评论区骂醒我 😄

当然要是你感兴趣的话，点个赞 + 关注，我们一起干——行动起来，就不会焦虑了不是吗？

🗺️ 系列导航

📖 读这篇，你可以带走什么

前端视角，为什么要学 Agent 设计模式？

刚开始做 AI 应用的时候，我踩过这些坑：

• 给 AI 一个复杂任务，结果一塌糊涂——但拆成小步骤之后，效果好得出乎意料
• 同一个应用，处理不同类型的问题，质量差异大得像两个产品
• 多个 AI 调用串行等待，慢得让用户以为系统崩了

这些问题都有对应的解法，它们有一个统一的名字：Agent 设计模式。

就像软件工程里的设计模式（单例、工厂、观察者……）一样，Agent 设计模式是前人踩坑总结出来的最佳实践。学会它们，你就能系统性地构建高质量的 AI 应用，而不是每次都在瞎摸索。

本篇覆盖最基础也最常用的三个模式：提示链、路由、并行化。 掌握这三个，能解决 80% 的 Agent 开发场景。

📖 第一章：提示链（Prompt Chaining）

这是我接触到的第一个 Agent 概念

说实话，学这本书之前，我对 Agent 的理解停留在"给 AI 一个任务，它自己搞定"这个层面。

打开第一章，第一个概念就是提示链。书里的定义是：

将复杂任务分解为一系列更小、更易管理的子问题，每个子问题通过专门设计的提示词单独处理，一个提示词的输出会作为输入策略性地传递给链中的下一个提示词。

读完第一遍，我的第一反应是：这不就是流水线吗？

工厂流水线、CI/CD 流水线、前端的数据处理管道……本质都是同一件事：每个环节只做一件事，专注且可控。只不过这里的"工位"换成了 LLM 调用。

输入 → [步骤1] → 中间结果1 → [步骤2] → 中间结果2 → [步骤3] → 最终输出

为什么不能一步到位？

理解了"是什么"，我开始想"为什么"。

书里列了一堆单一提示词的问题：指令忽略、上下文偏离、错误传播、幻觉……看完感觉有点抽象，就自己想了个更直接的解释：

LLM 同时处理太多事，就像一个开发同时接了五个需求——每件事都做了，但每件事都没做好。

这四个问题，其实是同一件事的四个面：任务边界不清晰。提示链做的，就是把边界划清楚。

「提示词 = PRD」——我自己推导出来的类比

学到这里，我突然想到一个类比，觉得比书里的解释更好记：

提示词就像 PRD（产品需求文档）。

PRD 写得越清晰，开发偏差越小，返工越少；提示词写得越精准，AI 输出越符合预期，"幻觉"越少。

这个类比是我自己推导出来的——因为我是前端开发，经常遇到 PRD 写得模糊导致开发返工的情况。某一刻读到"提示词要精准"这句话，脑子里直接蹦出来了：这不就是 PRD 吗？

提示链的每一步，本质上都是在给 AI 一份更小、更清晰的"PRD"。

💡 写不好提示词的时候，不妨问自己：如果这是一份需求文档，你的开发会知道要做什么吗？

实战场景：项目重构规划

以我自己的 my-resume 项目重构为例，一个完整的 AI 辅助重构规划可以拆成四步：

梳理现状 → 确定架构 → 技术选型 → 里程碑规划

每一步专注一件事，输出结果作为下一步的上下文，最终得到一份完整的重构方案。

核心代码

import { ChatOpenAI } from "@langchain/openai";
import { PromptTemplate } from "@langchain/core/prompts";
import { StringOutputParser } from "@langchain/core/output_parsers";
import { RunnableSequence } from "@langchain/core/runnables";

const llm = new ChatOpenAI({ modelName: "gpt-4o-mini", temperature: 0.7 });
const parser = new StringOutputParser();

// 带重试机制的单步执行器
async function runStep(
  chain: RunnableSequence,
  input: Record<string, string>,
  stepName: string,
  maxRetries = 3
): Promise<string> {
  for (let attempt = 1; attempt <= maxRetries; attempt++) {
    try {
      const result = await chain.invoke(input);
      if (result && result.length > 20) return result;
    } catch (e) {
      console.error(`[${stepName}] 第${attempt}次失败:`, e);
    }
  }
  throw new Error(`[${stepName}] 重试${maxRetries}次后仍失败`);
}

错误处理：分层降级——书里的结构 + 我的工程经验

书里提到了错误处理的重要性，但没有给出具体的分层结构。我结合自己写Nestjs后端服务的经验，把它补充完整了：

Level 1：原地重试（Retry）          ← 大多数临时错误在这里解决
         ↓ 失败 N 次
Level 2：修正上一步输出后重试        ← 上下文质量问题
         ↓ 仍失败
Level 3：降级处理（Fallback）        ← 返回兜底结果
         ↓ 仍失败
Level 4：人工介入                    ← 高风险场景的最后防线

这个分层思路，和写后端服务的容错逻辑是一样的——先自救，再降级，最后才是报警。书里的思路给了方向，工程经验补上了细节。

📖 第二章：路由（Routing）

"这不就是 NestJS 路由吗？"——然后发现哪里不对

读到路由这章，第一反应非常直接：这不就是后端路由吗？

用户输入 → 判断意图 → 分发到对应的处理链。和 NestJS 里 @Get('/user') @Post('/order') 的逻辑一模一样嘛。

但我多想了一秒，感觉哪里不太对。

HTTP 路由的判断依据是 URL 路径，是你自己定义的规则，边界清晰、精确。但 Agent 路由的判断依据是用户说的话——你永远不知道用户会怎么表达同一件事。

"我要退款"、"我想申请退款"、"这个东西我不想要了能退吗"、"退款流程是什么"——这四句话意图相同，但表达完全不同。规则路由根本兜不住。

这就是两者本质的区别：

想清楚这一点，书里后面讲的"规则路由 vs LLM 路由"就很好理解了。

两种路由方式

书里给了四种路由实现方式（基于LLM、基于嵌入、基于规则、基于ML模型），实际开发中用得最多的是前两种，用一句话概括它们的区别：

规则路由：你告诉它边界在哪里。LLM 路由：它自己理解边界在哪里。

规则路由（if/else）

适合意图明确、流程固定的场景，比如退款、账号注销。

优点：快速、可控、零幻觉 缺点：无法处理模糊边界

LLM 路由

适合意图模糊、内容开放的场景，比如技术咨询、品牌对话。

优点：理解语义、处理模糊 缺点：有延迟、有成本

路由决策矩阵

核心代码

// LLM 路由判断器
// 注意：temperature=0，确保分类结果稳定，不能让它"发挥创意"
const classifyChain = RunnableSequence.from([
  PromptTemplate.fromTemplate(`
    将用户输入分类为：TECH / REFUND / COMPLAINT / OTHER
    只输出标签，不解释。
    用户输入：{input}
  `),
  new ChatOpenAI({ temperature: 0 }),
  new StringOutputParser(),
]);

async function smartRouter(userInput: string): Promise<string> {
  // 规则路由优先：确定性流程，零延迟，零幻觉
  if (userInput.includes("退款")) {
    return refundChain.invoke({ input: userInput });
  }

  // LLM 路由：语义理解，处理模糊意图
  const intent = await classifyChain.invoke({ input: userInput });
  switch (intent.trim()) {
    case "TECH":      return techChain.invoke({ input: userInput });
    case "COMPLAINT": return complaintChain.invoke({ input: userInput });
    default:          return fallbackChain.invoke({ input: userInput });
  }
}

💡 黄金原则：确定性流程用规则，开放性问题用 LLM。

两者不是对立的，而是互补的——规则路由兜住确定性，LLM 路由处理模糊性。大多数真实场景，都是两者混用的。

📖 第三章：并行化（Parallelization）

什么是并行化？

书里的定义很直接：识别工作流中不依赖其他部分输出的环节，将它们并行执行。

串行（慢）：A → B → C → D              耗时：T(A)+T(B)+T(C)+T(D)

并行（快）：A ─┐
             B ─┼──→ 汇总 → D          耗时：max(T(A),T(B),T(C)) + T(D)
             C ─┘

用函数式编程来理解，就是先 fan-out（扇出）再 fan-in（汇聚）：

// 提示链 = pipe（串行）
pipe(stepA, stepB, stepC)(input)

// 并行化 = 先 fan-out 再 fan-in
pipe(
  fanOut(taskA, taskB, taskC),  // 同时执行，各自独立
  merge,                         // 汇聚结果
  stepD                          // 依赖汇聚结果的后续步骤
)(input)

三种并行模式

模式一：扇出-汇聚（Fan-out / Fan-in）

一个输入 → 多个并行任务 → 汇总输出

典型场景：简历多维度评估（同时分析技术栈、项目经验、表达能力）

用户简历
   ↓
┌─────────────────────────────┐
│  ① 提取技术栈               │  ← 并行执行
│  ② 评估项目经验             │  ← 并行执行
│  ③ 分析表达能力             │  ← 并行执行
└─────────────────────────────┘
   ↓ 汇总
综合评估报告

模式二：投票/共识（Voting）

同一问题交给多个 Agent 独立回答，取最优解，提升准确率

单个模型有自己的"思维定势"，多个模型投票相当于让多个专家各自给意见，再综合判断——比只听一个人靠谱得多。

模式三：Map-Reduce

大任务切片 → 并行处理每片 → 合并结果

典型场景：长文档摘要、大规模数据分析。熟悉 Hadoop 或函数式编程的同学，这个模式一眼就懂。

失败处理：从 Promise.all 到 Promise.allSettled 的思维转变

这里有个细节是我自己推导出来的，书里没有直接讲。

一开始我的直觉是用 Promise.all——等所有并行任务完成再汇总。但写着写着意识到一个问题：AI 调用天然不稳定，某一个维度分析偶尔超时或报错是正常的。Promise.all 的行为是一个失败就全军覆没——一个维度挂了，整份报告作废。

这明显不对。一个维度分析失败，不代表整份报告没价值。

于是想到了 Promise.allSettled——等所有任务都结束（不管成功还是失败），对失败的单独降级处理，其余照常返回。

🎯 核心原则：容忍部分失败是常态，而不是异常。

核心代码

import { RunnableParallel } from "@langchain/core/runnables";

// RunnableParallel：LangChain 原生并行执行，底层等价于 Promise.allSettled
const parallelAnalysis = RunnableParallel.from({
  techStack:  techStackChain,
  experience: experienceChain,
  expression: expressionChain,
});

async function evaluateResume(resume: string) {
  // 三链并行执行
  const results = await parallelAnalysis.invoke({ resume });
  // 汇总生成综合报告
  return summaryChain.invoke(results);
}

💡 并行化的本质

书里有一句话说得很准：核心思想是识别工作流中不依赖其他部分输出的环节。

所以并行化的本质不是"让所有任务都并行"，而是识别依赖关系：

• 有依赖 → 串行（提示链）
• 无依赖 → 并行（并行化）
• 部分依赖 → 混合

动手之前，先画一张任务依赖图——哪些任务之间有箭头，哪些没有，一目了然。

🔗 三章串联：基础三件套全景图

学完这三章，你手里已经有了三把利器：

三者组合的决策流程：

新任务来了
    ↓
能拆成独立子任务吗？
├─ 能 → 子任务间有依赖吗？
│        ├─ 有依赖 → 提示链（串行）
│        └─ 无依赖 → 并行化
└─ 不能（单一任务）
         ↓
     输入类型固定吗？
     ├─ 是 → 路由（分发到专属链）
     └─ 否 → 单链处理

🛠️ 实战：三个模式在 my-resume 项目中的应用

我正在用 NestJS + Drizzle ORM + SQLite 重构 my-resume 项目，三个模式都有直接对应：

边学边做，是我觉得最快的方式。理论看懂了，不等于会用——只有落到真实项目里，才知道哪里还没想清楚。

📝 总结

这三个模式是 Agent 开发的地基，掌握它们之后：

• ✅ 不再对着复杂任务无从下手，知道怎么拆解
• ✅ 不再用一条链处理所有输入，知道怎么分发
• ✅ 不再让 AI 调用串行等待，知道怎么提速

说到底，这三个模式解决的都是同一个问题：如何让 AI 在复杂场景下，稳定地做对事情。

这件事和写软件没什么本质区别——拆任务、管流程、做容错，工程师早就在做了。只不过现在执行者从代码变成了模型。

💬 系列地址：持续更新中

📖 原书地址：adp.xindoo.xyz

🛠️ 实战项目：占个位，敬请期待

如果这篇对你有帮助，欢迎点赞收藏，我们下篇见 👋