Parallelization 模式

概述

LLM 同时处理多个独立子任务，输出以程序化方式聚合，包含分区（Sectioning）和投票（Voting）两个关键变体。

关键内容

1. 工作流程：Input → [LLM-1] + [LLM-2] + [LLM-3] → [Aggregator] → Output。多个 LLM 并行处理，结果由聚合器整合。
2. 两个关键变体：
3. 分区（Sectioning）：将任务分解为并行独立子任务，各自处理不同部分
4. 投票（Voting）：同一任务运行多次，获取多样输出以提高置信度
5. 适用场景：子任务可并行加速，或需要多视角/多次尝试以获得高置信度结果。
6. 经典应用：内容安全审查（主任务 + 安全检查并行）是一个经典应用，比让同一 LLM 同时处理两个关注点效果更好。
7. 与软件工程的对应：Parallelization 对应 Fork-Join 模式和 MapReduce 模式，先分后合的并行计算范式。

来源

• 01_building_effective_agents.md — 第三章 3.4 节，Anthropic Engineering Blog "Building effective agents"

相关

• AI Agent 架构模式 — part_of (五种核心模式之一)
• Orchestrator-Workers 模式 — compares_to (都涉及并行处理)
• Agent vs Workflow — relates_to (属于工作流范式)