先记住这个答案
Orchestrator-workers 是工作流的一种，其中 orchestrator（通常是一个 LLM）接收任务后，基于输入动态生成子任务列表，将每个子任务分派给 worker（LLM 或工具），并整合所有 worker 的输出来形成最终答案。其核心特征是任务分解不预先固定，而是由模型的推理决定。与之相对，工作流式编排（如 prompt chaining、routing）的子任务序列在代码中已提前定义，模型只负责在预定节点执行特定步骤，不控制整体流程走向。本质区别在于流程控制权：前者模型拥有动态规划权，后者开发者拥有静态定义权。
- orchestrator-workers 是特殊工作流，子任务由模型动态决定
- 预定义路径工作流的流程预定义，模型只执行具体步骤
- 无法预知子任务时选 orchestrator-workers，否则优先工作流
两种模式的机制对比
预定义路径的工作流将流程编码为图或链，每个节点对应一个 LLM 或工具调用。模型只在节点内部决策，比如 routing 中模型选择分类路径，但路径集合在编码时已完全列出。这保证了执行的可预测性和可调试性，但面对非预期任务会僵硬。
Orchestrator-workers 中，orchestrator 接收完整任务后，先自己规划：列出子任务清单、每个子任务需要的 worker 类型、甚至执行顺序。这个过程没有开发者预写决策树，每个子任务的产生都源自模型对当前输入的理解。之后 orchestrator 将子任务分派给 worker，收集结果再汇总。关键是不存在固定的子任务集合。
代码库修改任务的具体对比
假设任务：为仓库添加一个登录功能。工作流式编排也许预先定义三个步骤：写路由、写控制器、写测试。这些步骤固定，模型每一步照做。但若仓库已有自定义框架，规定所有路由需在中心配置注册，那么这个预定义流程会失效，因为没包含该概念。
Orchestrator-workers 中，orchestrator 模型会先探查仓库结构，发现路由需要在特定文件中注册，然后动态生成子任务：修改注册文件、添加控制器、创建视图等。worker 各自执行并返回结果，orchestrator 再检查依赖和合并。这体现了动态分解对不可预测需求的适应力。
适用边界与代价
Orchestrator-workers 的不利因素：orchestrator 的规划错误会直接导致子任务清单失真，而且一次糟糕规划可能引发一连串无效 worker 调用，代价高于工作流中单个节点失败。若任务子步骤基本固定，使用工作流能得到更低延迟、更低 token 消耗和更可控的失败。
另外，orchestrator 需要足够上下文才能做出高质量分解，否则遗漏关键步骤。实践中应给 orchestrator 提供充分的环境信息（如文件列表、约束），并允许它在执行中追加或调整子任务，而不是一旦生成清单就严格不变。若无法提供这种动态调整，则模式退化为性能较低的固定流程。
容易答错的地方
- 认为 orchestrator-workers 不是工作流
- Anthropic 将 orchestrator-workers 列为 workflow 类型之一，它属于工作流的变体，因为总体结构仍然由代码编排（orchestrator 循环调用 worker），只是子任务在运行时确定。混淆它和 agent 会造成架构选择失误。
- 以为动态就比静态高级
- 动态分解带来更高 token 成本和风险，只有当子任务不可预测时才划算。若能预定义步骤，强制使用 orchestrator-workers 只会增加复杂度和失败点。应优先选最简单可用的模式。
面试官还会怎么问？
orchestrator-workers 和 routing 工作流有什么区别？
Routing 只是根据输入选择一个预定分支，每个分支是完整流程。Orchestrator-workers 需要分解出多个子任务并组合，子任务本身不是预先定义的固定分支。Routing 解决输入类型分派，orchestrator-workers 解决动态任务规划。
什么时候该把 orchestrator-workers 升级为 autonomous agent？
当 orchestrator 需要基于中期结果调整计划，且调整深度和频度超过简单循环时，agent 更适合。Agent 完全自主控制步骤，直到任务完成或停止条件。但 agent 更难以预测，需要更强的环境和校验机制。
orchestrator 如何决定 worker 数量？
没有固定公式，orchestrator 根据任务类型估出子任务粒度。过多 worker 增加 token 和协调开销，过少则漏细节。可在 prompt 中要求先列出候选子任务再分组，或参考 token 预算和 worker 能力来限制数量。
参考资料
示例用于理解所注明的运行环境与边界；延伸学习可结合原文中的更多案例。