[智能体设计模式]第3章 并行化

目录

并行化模式：智能体任务优化核心方案

实践应用与场景

1. 信息收集与调研

2. 数据处理与分析

3. 多API或工具交互

4. 多组件内容生成

5. 验证与校验

6. 多模态处理

7. A/B测试或多方案生成

实战代码示例（LangChain）

代码解析

---

并行化模式：智能体任务优化核心方案

在前几章中，我们已经介绍了用于顺序流程的提示链（PromptChaining），以及用于动态决策和路径切换的路由（Routing）。虽然这些模式非常重要，但许多复杂的智能体任务其实包含多个可以同时执行的子任务，而不是一个接一个地串行处理。这时，并行化设计模式就变得至关重要。

并行化指的是同时执行多个组件，比如LLM调用、工具使用，甚至整个子智能体（见图1）。与等待上一步完成再开始下一步不同，并行执行允许独立任务同时运行，大幅缩短可拆分为独立部分的任务的整体执行时间。

核心思想是识别流程中彼此无依赖的部分，并将它们并行执行。尤其在涉及外部服务（如API或数据库）有延迟时，可以同时发起多个请求，显著提升效率。

实现并行化通常需要支持异步执行或多线程/多进程的框架。现代智能体框架普遍支持异步操作，允许你轻松定义可并行运行的步骤。

---

实践应用与场景

并行化是优化智能体性能的强大模式，适用于多种场景：

1. 信息收集与调研

同时从多个来源收集信息是典型用例。

• 应用场景：智能体调研某公司
• 并行任务：同时搜索新闻、拉取股票数据、检查社交媒体、查询公司数据库
• 优势：比串行查找更快获得全面视角

2. 数据处理与分析

并行应用不同分析方法或处理不同数据片段。

• 应用场景：智能体分析客户反馈
• 并行任务：同时进行情感分析、关键词提取、分类、紧急问题识别
• 优势：快速获得多维度分析结果

3. 多API或工具交互

并行调用多个独立API或工具，获取不同信息或执行不同操作。

• 应用场景：旅行规划智能体
• 并行任务：同时查机票、酒店、当地活动、餐厅推荐
• 优势：更快生成完整旅行方案

4. 多组件内容生成

并行生成复杂内容的不同部分。

• 应用场景：智能体创建营销邮件
• 并行任务：同时生成主题、正文、图片、CTA按钮文案
• 优势：更高效地组装最终邮件

5. 验证与校验

并行执行多个独立校验任务。

• 应用场景：智能体验证用户输入
• 并行任务：同时检查邮箱格式、手机号、地址数据库校验、敏感词检测
• 优势：更快反馈输入有效性

6. 多模态处理

并行处理同一输入的不同模态（文本、图片、音频）。

• 应用场景：智能体分析带图片的社交媒体帖子
• 并行任务：同时分析文本情感与关键词、图片中的物体与场景
• 优势：更快整合多模态洞察

7. A/B测试或多方案生成

并行生成多个响应或输出，便于选择最佳方案。

• 应用场景：智能体生成多种创意文案
• 并行任务：同时用不同prompt或模型生成三种标题
• 优势：快速对比并选出最佳选项

---

实战代码示例（LangChain）

在LangChain框架中，并行执行由LangChain Expression Language（LCEL）实现。主要方法是将多个runnable组件结构化为字典或列表，当这些集合被传递给链中的下一个组件时，LCEL运行时会并发执行其中的runnable。

以下代码演示了用LangChain构建的并行处理工作流。该流程针对单一用户查询，同时并发执行两个独立操作，并在最后聚合结果。

import os
import asyncio
from typing import Optional

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import Runnable, RunnableParallel, RunnablePassthrough

# --- 配置 ---
# 确保环境变量已设置 API key（如 OPENAI_API_KEY）
try:
    llm: Optional[ChatOpenAI] = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

except Exception as e:
    print(f"初始化语言模型出错：{e}")
    llm = None

# --- 定义独立链 ---
# 三个链分别执行不同任务，可并行运行

summarize_chain: Runnable = (
    ChatPromptTemplate.from_messages([
        ("system", "请简明扼要地总结以下主题："),
        ("user", "{topic}")
    ])
    | llm
    | StrOutputParser()
)

questions_chain: Runnable = (
    ChatPromptTemplate.from_messages([
        ("system", "请针对以下主题生成三个有趣的问题："),
        ("user", "{topic}")
    ])
    | llm
    | StrOutputParser()
)

terms_chain: Runnable = (
    ChatPromptTemplate.from_messages([
        ("system", "请从以下主题中提取 5-10 个关键词，用逗号分隔："),
        ("user", "{topic}")
    ])
    | llm
    | StrOutputParser()
)

# --- 构建并行 + 汇总链 ---

# 1. 定义并行任务块，结果与原始 topic 一起传递到下一步
map_chain = RunnableParallel(
    {
        "summary": summarize_chain,
        "questions": questions_chain,
        "key_terms": terms_chain,
        "topic": RunnablePassthrough(),  # 传递原始 topic
    }
)

# 2. 定义最终汇总 prompt，整合并行结果
synthesis_prompt = ChatPromptTemplate.from_messages([
    ("system", """根据以下信息：
摘要：{summary}
相关问题：{questions}
关键词：{key_terms}
请综合生成完整答案。"""),
    ("user", "原始主题：{topic}")
])

# 3. 构建完整链，将并行结果直接传递给汇总 prompt，再由 LLM 和输出解析器处理
full_parallel_chain = map_chain | synthesis_prompt | llm | StrOutputParser()

# --- 运行链 ---
async def run_parallel_example(topic: str) -> None:
    """
    异步调用并行处理链，输出综合结果。

    Args:
        topic: 传递给 LangChain 的主题输入
    """
    if not llm:
        print("LLM 未初始化，无法运行示例。")
        return

    print(f"\n--- 并行 LangChain 示例，主题：'{topic}' ---")
    try:
        # `ainvoke` 的输入是单个 topic 字符串，
        # 会传递给 map_chain 中的每个 runnable
        response = await full_parallel_chain.ainvoke(topic)
        print("\n--- 最终响应 ---")
        print(response)
    except Exception as e:
        print(f"\n 链执行出错：{e}")

if __name__ == "__main__":
    test_topic = "太空探索的历史"
    # Python 3.7+ 推荐用 asyncio.run 执行异步函数
    asyncio.run(run_parallel_example(test_topic))

代码解析

上述Python代码实现了一个LangChain应用，通过并行执行提升主题处理效率。注意asyncio提供的是并发而非真正的并行：它通过事件循环在任务空闲（如等待网络请求）时智能切换，实现多个任务“同时”推进，但实际仍在单线程下受GIL限制。

代码首先导入langchain_openai和langchain_core的核心模块，包括模型、prompt、输出解析和runnable结构。通过try-except块初始化ChatOpenAI实例，指定模型和温度。

随后定义三个独立的LangChain“链”，分别用于主题摘要、问题生成和关键词提取，每个链由定制的ChatPromptTemplate、LLM和输出解析器组成。

接着用RunnableParallel将三条链打包，实现并行执行，并用RunnablePassthrough保留原始输入。再定义一个汇总prompt，整合summary、questions、key_terms和topic，生成综合答案。

最终构建完整处理链full_parallel_chain，并提供异步函数run_parallel_example演示如何调用。主程序用asyncio.run执行示例主题“太空探索的历史”。

本质上，该代码实现了针对单一主题的多路LLM并发调用（摘要、问题、关键词），并在最后用LLM汇总结果，充分展示了智能体工作流中的并行化核心思想。