10个fast-agent工作流模式实战：Chain、Parallel、Router完整教程

10个fast-agent工作流模式实战：Chain、Parallel、Router完整教程

【免费下载链接】fast-agentDefine, Prompt and Test MCP enabled Agents and Workflows项目地址: https://gitcode.com/gh_mirrors/fa/fast-agent

fast-agent是一款强大的MCP代理工作流框架，让你轻松定义、提示和测试启用MCP的代理和工作流。本文将为你详细介绍10种实用的fast-agent工作流模式，帮助你快速掌握Chain、Parallel、Router等核心功能的使用方法。

1. 基础链（Chain）工作流：按顺序执行多个代理

基础链工作流是fast-agent中最常用的模式之一，它允许你按顺序执行多个代理，将前一个代理的输出作为后一个代理的输入。

在examples/workflows/chaining.py中，我们可以看到一个典型的链工作流实现：

@fast.chain( name="post_writer", sequence=["url_fetcher", "social_media"], default=True, ) async def main() -> None: async with fast.run() as agent: # using chain workflow await agent.post_writer.send("https://llmindset.co.uk")

这个例子中，"post_writer"链依次调用"url_fetcher"代理获取网页内容，然后将结果传递给"social_media"代理生成社交媒体帖子。

适用场景：

• 数据处理流水线
• 内容生成与转换
• 多步骤分析任务

2. 并行（Parallel）工作流：同时执行多个代理

并行工作流允许你同时运行多个代理，然后将结果汇总。这极大地提高了处理效率，特别适合需要从不同角度分析同一数据的场景。

examples/workflows/parallel.py展示了并行工作流的实现：

@fast.parallel( fan_out=["proofreader", "fact_checker", "style_enforcer"], fan_in="grader", name="parallel", ) async def main() -> None: async with fast.run() as agent: await agent.parallel.send( Prompt.user("Student short story submission", Path("short_story.txt")) )

在这个例子中，"proofreader"、"fact_checker"和"style_enforcer"三个代理同时处理同一个故事，然后由"grader"代理汇总结果并给出评分。

图：fast-agent并行工作流就像太空猫一样，能够同时处理多个任务

适用场景：

• 内容审核与校对
• 多角度数据分析
• 并发任务处理

3. 路由（Router）工作流：智能分配任务

路由工作流能够根据输入内容智能选择最合适的代理处理任务。这就像一个智能调度员，根据任务性质将其分配给最专业的代理。

examples/workflows/router.py中的实现展示了这一功能：

@fast.router( name="route", model="sonnet", default=True, agents=["code_expert", "general_assistant", "fetcher"], ) async def main() -> None: async with fast.run() as agent: await agent.interactive(agent_name="route") for request in SAMPLE_REQUESTS: await agent.route(request)

路由代理会分析输入请求，然后决定是直接使用工具处理，还是将任务委派给"code_expert"、"general_assistant"或"fetcher"等专业代理。

适用场景：

• 多领域咨询系统
• 智能客服
• 任务自动分类与分配

4. 代理作为工具（Agents as Tools）工作流

这种模式允许将一个代理作为另一个代理的工具使用，实现更复杂的功能组合。在examples/workflows/agents_as_tools_simple.py中可以看到：

# Illustrates: routing, parallelization, and orchestrator-workers from Anthropic’s "Get reports. Always use one tool call per project/news. " # parallelization

这种模式支持历史记录和并行控制，通过max_parallel参数可以限制并行数量。

5. 评估优化器（Evaluator-Optimizer）工作流

评估优化器工作流结合了评估和优化两个阶段，先评估内容质量，然后根据反馈进行优化。在examples/workflows/evaluator.py中定义了这种模式：

# Define the evaluator-optimizer workflow

这种工作流特别适合内容创作和优化场景，通过不断迭代提升内容质量。

6. MAKER工作流：长链简单步骤处理

MAKER工作流专为长链简单步骤设计，特别适合错误会累积的场景。在examples/workflows/maker.py中：

# MAKER is designed for **long chains of simple steps** where errors compound: # chains, MAKER's value becomes critical.

MAKER工作流能够有效管理复杂的长流程，减少错误累积带来的影响。

图：MAKER工作流就像珍珠的形成过程，经过多步精细处理，最终形成有价值的成果

7. 交互式工作流：实时人机交互

交互式工作流允许用户在运行过程中实时输入，与代理进行动态交互。在examples/workflows/router.py中：

await agent.interactive(agent_name="route")

这种模式特别适合需要人工干预和指导的场景，如决策支持系统。

8. 混合工作流：组合多种模式

混合工作流结合了多种基本模式，形成更复杂的工作流程。例如，在路由之后进行并行处理，再进行链式优化。这种灵活的组合方式可以满足各种复杂场景需求。

9. 文件处理工作流：文档分析与转换

文件处理工作流专门用于处理各种格式的文件，如文本、PDF等。通过结合fetch工具和各种分析代理，可以实现文档的自动下载、解析、摘要和转换。

10. 测试工作流：自动化测试与验证

测试工作流用于自动化测试代理和工作流的功能。通过定义测试用例和预期结果，可以确保代理在各种情况下都能正确工作。

快速开始使用fast-agent

要开始使用fast-agent，首先克隆仓库：

git clone https://gitcode.com/gh_mirrors/fa/fast-agent

然后参考examples/workflows/目录中的示例代码，开始构建你自己的工作流。

总结

fast-agent提供了丰富的工作流模式，从简单的链式执行到复杂的并行处理和智能路由，满足各种自动化任务需求。通过灵活组合这些模式，你可以构建强大的代理系统，处理从内容生成到数据分析的各种任务。

无论你是新手还是有经验的开发者，fast-agent的直观API和丰富示例都能帮助你快速上手，创建高效的自动化工作流。开始探索fast-agent的世界，释放自动化的强大潜力吧！

【免费下载链接】fast-agentDefine, Prompt and Test MCP enabled Agents and Workflows项目地址: https://gitcode.com/gh_mirrors/fa/fast-agent