从 Prompt 到工作流：大模型应用架构的五种范式演进-优快云博客

从“打个字就能变聪明”，到“自动完成整个项目”，这就是大模型应用的进化简史。

📜 开场：一切从一个简单的 Prompt 开始

很多人第一次接触大模型，都是在 ChatGPT 的输入框里敲下一句：

“写一篇关于月亮的浪漫诗。”

模型温柔地回应：

“月色流淌在湖面上，像你轻柔的声音……”

于是我们误以为：“哇，大模型就是万能写作神器啊！”

但很快你发现：

它不会记住你昨天说过什么；
它不能帮你去网站查数据；
它也没法在你电脑上生成一张 PPT。

这个“聊天机器人”，仿佛是一位有文学梦的植物人。

所以，大模型的应用，必须经历“架构进化”，从简单提示语走向智能系统。

今天就来聊聊，大模型应用的五种典型范式演进路径，每走一步，都是一次“觉醒”。

🧠 范式一：Prompt-first（提示词驱动）

🧾 关键词：ChatGPT、Prompt Engineering、魔法指令

这是最初始的使用方式，纯靠人类输入 prompt → LLM 输出回答。

用户：总结以下邮件的核心内容并翻译成英文
LLM：……

它像个“自动作文机”，优点是门槛低，缺点是局限大：

无法处理结构化任务；
上下文断裂严重；
无“状态感”和“目标意识”。

但不可否认，它打开了大模型时代的潘多拉盒子。

📌 适用场景：

快速问答；
临时生成文本；
手动 prompt 实验。

🧠 范式二：RAG-first（知识增强驱动）

📚 关键词：向量检索、知识库接入、企业内部资料

RAG 解决了 LLM 的两大短板：

过时：模型训练知识有限；
健忘：无法处理长文本资料。

加入 RAG 后，模型拥有了“随查随用”的外挂记忆力。

用户：根据我们公司的产品白皮书，总结核心卖点并写一封推介邮件
系统流程：
  ➤ 先向量检索白皮书中的相关段落
  ➤ 拼接结果 + prompt 提交给 LLM
  ➤ 生成结果 + 加入引用信息

它像个查阅资料的小助理，脑子不够用，懂得“先翻书再说话”。

📌 适用场景：

合同分析；
企业知识问答；
多文档摘要与报告生成。

🧠 范式三：Agent-first（任务执行驱动）

🤖 关键词：任务拆解、工具调用、自主推理、循环执行

进入 Agent 阶段后，LLM 不再只是“回答者”，而是成了“行动者”。

它拥有：

自己拆任务的 Planner；
能用工具的能力；
失败重试的机制。

用户：每天下午三点，生成销售日报并发送邮件
Agent：
  1. 检索昨日销售数据；
  2. 生成可视化图表；
  3. 总结关键增长点；
  4. 调用 SMTP 工具发邮件；

它不再“等你指挥”，而是“自己干活”，像个实习生机器人。

📌 适用场景：

报告自动化；
多步骤操作；
数据驱动的任务链执行。

🧠 范式四：Workflow-first（流程驱动）

🛠️ 关键词：编排、节点任务、条件控制、模块重用

如果 Agent 是“一位万能员工”，那 Workflow 就是“整个公司流程”。

这时，你开始搭建可视化或代码化的工作流系统，将多个 Agent、工具、RAG、Prompt 组合起来：

graph LR
A[用户指令] --> B[Planner Agent]
B --> C[RAG 检索]
C --> D[Summarizer Agent]
D --> E[报告模板填充]
E --> F[邮件工具发送]

特点是：

可插拔；
易调试；
具备业务逻辑和状态感。

你在做的，其实是“搭建一个 AI 自动化工厂”。

📌 适用场景：

财务审计、法务分析、行政流程自动化；
多团队协同的 Agent 系统；
通用 AI 工作助手开发。

🧠 范式五：MCP-first（协议驱动，系统级集成）

这一阶段，LLM 不再是“一个工具”，而是“系统中的一等公民”。

🌐 MCP 关键词：

多 Agent 多工具注册；
权限管控；
跨系统调用；
数据流追踪；
自动构建“AI 应用层”。

你开始构建的是：

与业务系统集成的模型控制协议；
类似浏览器的 Agent 操作系统；
可持续接入 RAG、Agent、工具链、规则引擎的 LLM 平台架构。

举个例子，你构建一个“智能财务审计系统”：

从 ERP 系统拉数据；
分账簿检查差异；
调用审计规则匹配；
生成初步报告 + 风险提示；
提供溯源链接 + 修改建议。

这不是“一个 prompt”，是一个 AI-native 的 企业数字员工平台。

📌 适用场景：

企业级系统集成；
模型自动化应用平台；
AI Copilot for 企业各部门。

🔁 五种范式对比总结

范式	核心能力	代表系统	优点	局限
Prompt	单轮生成	ChatGPT	快速试验	无状态、不可控
RAG	知识补全	GPT+向量库	信息准确、有引用	无执行力
Agent	思考+行动	AutoGen、CrewAI	可多步执行、调用工具	不易管理、调试
Workflow	任务编排	LangGraph、Dify	模块化、高复用	初期配置复杂
MCP	系统集成	自研平台、LLMOps	构建完整 Copilot 平台	高门槛、需工程能力