Agent 编排选型：代码流确定性强过 LLM 自主规划

当你的工作流需要可预测的速度、成本和性能时，基于代码的控制优于 LLM 驱动的规划。选择的本质是结构性的：要么硬编码决策路径，要么让模型自主规划。HCLTech 的多 Agent 架构将案例解决时间缩短了 40%——这就是确定性流程与概率性猜想的区别。

LLM 规划只在需要灵活工具使用的开放式场景中胜出。代码状态机消除了可变性——如果你需要可预测性，就需要代码守卫。没有哪个单一 prompt 能可靠地同时兼顾两者。

Agent 作为工具 vs 交接

经验法则：如果管理者需要叙述结果，用工具。如果专家需要主导对话，用交接。两者也可以组合使用——分诊 Agent 交接给专家，专家再将其他 Agent 作为工具调用来完成窄领域的计算。

人工审核能力而非 Agent 数量，制约着生产级扩展。在人工介入的工作流中，监督的人工成本超过计算费用。在增加更多 Agent 之前，先让 Agent 数量与实际审核带宽对齐。

可靠性机制

并行运行可以降低延迟但消耗 token——设置预算上限。评估器循环强制收敛，但每次失败 pass 需要额外的两次模型调用。监控拒绝率来调整评估器的严格程度。

结构化输出解决路由问题

强制 Agent 输出 JSON Schema 而非自由文本，在应用层解析结果，路由就变成了代码验证而非模型猜测。代价是：需要预先定义详尽的类别定义，以及优雅地处理 Schema 验证失败。