用 Laravel AI SDK 构建多智能体工作流
Anthropic 之前发布过一篇广泛传播的文章《Building Effective Agents》，系统总结了构建生产级 AI 系统时最实用的几种模式。这些模式的共同点是：都已经在真实场景中被反复验证，实践性强，而且采用范围很广。
对 Laravel 开发者来说，有个好消息：这些模式每一种今天都能在 Laravel 里实现，而且代码量很少。借助 Laravel AI SDK，Anthropic 提到的五种典型 agent 模式，都可以轻量落地。
原文中的全部示例，都只用了 agent() 这一个 helper 函数。一行代码就能拉起一个 agent，而这本身已足以体现这些模式的表达能力。不过，Laravel AI SDK 不止于此。你可以自带专门的 agent class，挂接工具，配置模型，添加 middleware，并按生产需求搭建任意复杂度的工作流。
可以通过 Composer 安装 Laravel AI SDK：
composer require laravel/ai什么是多智能体工作流
单次 LLM 调用非常适合简单任务。但复杂工作——比如代码审查、生成打磨过的邮件、或路由客服工单——你会希望多个 agent 协作，各自专注特定任务。
多智能体工作流可以帮你做到：
- 把任务拆成有序步骤
- 并行执行独立步骤
- 把输入路由给最合适的 specialist
- 在循环中评估并优化输出
五种常见模式，以及如何用 Laravel AI SDK 实现
Prompt Chaining
上一位 agent 的输出，会成为下一位 agent 的输入。
可以把它理解成一条装配线。每一个步骤只负责一件事，把结果交给下一步继续处理。这是最简单、也最常见的一种模式。
示例：Cold Email Generator
可以先看一个简单工作流：先起草，再检查质量，如果不达标就继续改写。
在 Laravel AI SDK 中，这三个 agent 通过 Pipeline 编排协调。每一步都会拿到完整 payload，带着增强后的结果继续传递：
$result = Pipeline::send(['company' => $company, 'role' => $role, 'email' => '', 'review' => []])
->through([
fn ($payload, $next) => $next([...$payload, 'email' => $this->draftAgent($payload)]),
fn ($payload, $next) => $next([...$payload, 'review' => $this->reviewAgent($payload)]),
fn ($payload, $next) => $next($this->improveAgent($payload)),
])
->thenReturn();而每一个 pipeline step，背后都可以对应一个专门的 agent：
use function Laravel\Ai\{agent};
// Agent 1: Draft
private function draftAgent(array $payload): string
{
return agent(instructions: 'Expert B2B copywriter. Write a concise, personalised cold email.')
->prompt("Draft a cold email targeting the {$payload['role']} at {$payload['company']}.")
->text;
}
// Agent 2: Review (structured output)
private function reviewAgent(array $payload): mixed
{
return agent(
instructions: 'Cold email quality analyst. Be strict.',
schema: fn (JsonSchema $schema) => [
'hasPersonalisation' => $schema->boolean()->required(),
'toneScore' => $schema->integer()->min(1)->max(10)->required(),
'callToActionStrength' => $schema->integer()->min(1)->max(10)->required(),
],
)->prompt($payload['email']);
}
// Agent 3: Improve only if scores fall short
private function improveAgent(array $payload): array
{
$review = $payload['review'];
if ($review['hasPersonalisation'] && $review['toneScore'] >= 7 && $review['callToActionStrength'] >= 7) {
return $payload;
}
return [
...$payload,
'email' => agent(instructions: 'Expert B2B copywriter.')
->prompt("Rewrite with better personalisation and a stronger CTA:\n{$payload['email']}")
->text,
];
}适用场景： 适合那些步骤顺序明确的任务，比如生成、校验、改写、格式化。每个步骤都应该只做一件事，而且尽量把这件事做好。
Routing
先对输入做分类，再把它交给合适的 agent。
与其让一个 agent 试图处理所有情况，不如先交给 classifier 判断输入类型，再根据分类结果选择最匹配的 specialist。不同类型的问题，对应不同 instructions；复杂度不同，也可以使用不同级别的模型。
示例：Customer Support
这个工作流可以理解为：先分类，再挑选合适的 instructions，最后根据复杂度选择成本更低或能力更强的模型。
use function Laravel\Ai\{agent};
$classification = agent(
instructions: 'Classify customer support queries.',
schema: fn (JsonSchema $schema) => [
'type' => $schema->string()->required(), // general | refund | technical
'complexity' => $schema->string()->required(), // simple | complex
],
)->prompt("Classify: {$query}");
$instructions = match ($classification['type']) {
'refund' => 'Customer service agent specialising in refund requests...',
'technical' => 'Technical support specialist with deep product knowledge...',
default => 'Friendly customer service agent...',
};
$agent = match ($classification['complexity']) {
'complex' => new AdvancedSupportAgent($instructions),
default => new StandardSupportAgent($instructions), // #[UseCheapestModel]
};
return $agent->prompt($query)->text;原文还提到，可以把 #[UseCheapestModel] attribute 加到 StandardSupportAgent 上，让简单请求使用更快、更便宜的模型，而复杂请求则交给完整模型。由 classifier 来决定哪类请求走哪条路径。
适用场景： 适合输入类型差异较大、复杂度跨度明显，而且单一 prompt 难以兼顾所有情况的任务。
Parallelization
让多个互不依赖的 agent 同时运行。
如果多个步骤之间没有依赖关系，就没有必要一个接一个执行。Laravel 中的 Concurrency::run()，相当于 PHP 里的 Promise.all()，可以同时启动多个 agent，并在所有结果返回后统一汇总。
示例：Code Review
这个工作流里，三个 specialist agent 会同时审查同一段代码，然后由第四个 agent 汇总结论。
use function Laravel\Ai\{agent};
[$security, $performance, $maintainability] = Concurrency::run([
fn () => (new SecurityReviewAgent)->prompt($code),
fn () => (new PerformanceReviewAgent)->prompt($code),
fn () => (new MaintainabilityReviewAgent)->prompt($code),
]);
$summary = agent(instructions: 'Technical lead synthesising code reviews.')
->prompt("Summarise:\n" . json_encode([
['type' => 'security', 'review' => $security->text],
['type' => 'performance', 'review' => $performance->text],
['type' => 'maintainability', 'review' => $maintainability->text],
]))->text;这里的三个 agent 会并行完成审查，而汇总代理只会在三份结果全部返回之后才运行，因此它拿到的是完整上下文。
适用场景： 适合同一份输入需要多个独立分析视角，或者希望让多个 specialist 同时审视同一个问题的场景。
Orchestrator-Workers
由一个 orchestrator 负责协调，worker agent 负责具体执行。
orchestrator 会理解完整任务，并判断需要做哪些事情；worker 则是单点专家，只处理自己负责的工作。orchestrator 会自动将这些 worker 作为 tool 调用，并根据任务需要，动态决定调用顺序。
示例：Feature Implementation
在这个例子里，orchestrator agent 接收一个 feature request，然后自动调用多个 worker agent 来创建、修改或删除文件。
use function Laravel\Ai\{agent};
$response = agent(
instructions: 'You are a senior software architect. Analyze feature requests and use the available tools to implement each required file change.',
tools: [
new CreateFileAgentTool,
new ModifyFileAgentTool,
new DeleteFileAgentTool,
],
)->prompt("Implement this feature: {$featureRequest}");这些 tool 本身也可以是 agent() 驱动的 sub-agent，只是它们拥有更聚焦的 instructions：
use function Laravel\Ai\{agent};
class CreateFileAgentTool implements Tool
{
public function description(): Stringable|string
{
return 'Creates a new file with the appropriate code following best practices.';
}
public function schema(JsonSchema $schema): array
{
return [
'filePath' => $schema->string()->required(),
'purpose' => $schema->string()->required(),
];
}
public function handle(Request $request): Stringable|string
{
return agent(
instructions: 'You are an expert at implementing new files following best practices.',
)->prompt("Create {$request['filePath']} to support: {$request['purpose']}")->text;
}
}这种模式的关键点在于：不需要把“应该改哪些文件”“先做哪一步”硬编码进流程里，orchestrator 会根据 feature request 自己规划并委派。
适用场景： 适合步骤无法提前完全确定、需要模型动态规划与委派的复杂任务。
Evaluator-Optimizer
这类模式遵循的是：先生成，再评估，再改进，而且会循环执行。
有些任务并不是一次生成就能达标。Evaluator-Optimizer 会先生成结果，再让 evaluator 按标准检查，如果不满足条件，就继续改写，直到达到质量门槛，或者达到迭代次数上限。
示例：Content Writer
可以把这个工作流理解为：先写一段内容，给它打分，如果没有通过就继续改写，最多循环三次。
use function Laravel\Ai\{agent};
$content = agent(instructions: 'You are a clear and concise writer.')
->prompt("Write a short paragraph about: {$topic}")->text;
$iterations = 0;
while ($iterations < 3) {
$evaluation = agent(
instructions: 'You are a writing quality evaluator.',
schema: fn (JsonSchema $schema) => [
'score' => $schema->integer()->min(1)->max(10)->required(),
'approved' => $schema->boolean()->required(),
'issues' => $schema->array()->items($schema->string())->required(),
],
)->prompt("Rate this paragraph (approved if score >= 8): {$content}");
if ($evaluation['approved']) {
break;
}
$issues = implode(', ', $evaluation['issues']);
$content = agent(instructions: 'You are a clear and concise writer.')
->prompt("Rewrite fixing these issues: {$issues} {$content}")
->text;
$iterations++;
}这个例子里，evaluator 会通过 structured output 返回分数、是否通过，以及具体问题列表；writer 只有在 approved 为 false 时才会继续改写，而且它能够明确知道要修正什么。
适用场景： 适合那些具有清晰质量标准，并且结果确实能从多轮迭代中获益的任务，例如翻译、写作和代码生成。
Laravel AI SDK 如何简化多智能体工作
Anthropic 之所以强调这些模式，是因为它们已经在生产环境里证明了可行性。对于 Laravel 开发者来说，更值得注意的一点是：借助 Laravel AI SDK，这些模式的实现成本并不高。
| 模式 | 适用场景 |
|---|---|
| Prompt Chaining | 步骤顺序固定 |
| Routing | 输入类型或复杂度差异较大 |
| Parallelization | 独立任务可以同时执行 |
| Orchestrator-Workers | 需要动态规划与委派 |
| Evaluator-Optimizer | 需要通过迭代达到质量门槛 |
先从简单开始。一个 agent() 调用就能处理大多数任务。只有当任务确实需要时，再去主动采用这些模式，你会发现它们实现起来很直接。
如果把上面的对应关系翻成更直白的工程语境，大致可以理解为：
Prompt Chaining：适合固定顺序的步骤Routing：适合输入类型或复杂度差异明显的场景Parallelization：适合彼此独立、可以同时执行的任务Orchestrator-Workers：适合需要动态规划和委派的复杂流程Evaluator-Optimizer：适合必须通过迭代才能达到质量要求的任务
Laravel AI SDK 可以通过 Composer 安装，命令如下：
composer require laravel/ai