先记住这个答案
路由工作流先做一次分类，再根据类别将输入送入不同专用处理流程；固定链式则让所有输入依次经过同一组步骤。路由适合类别明显、分类准确率高、各路径需要不同提示或工具的复杂任务，能避免优化一类输入时损害另一类表现；固定链式适合可被稳定分解为固定子任务的场景，通过分步和程序化检查换取更高准确率。
- 路由先分类再分流，链式强制顺序
- 分类不可靠时路由会放大错误
- 路由适合类别清晰且路径差异大的任务
两种工作流的控制流差异
固定链式工作流把任务拆成固定顺序的步骤，每个LLM调用接收上一步结果，中间可加程序化gate检查。它对所有输入一视同仁，代码路径由开发者预先定死，比如先写大纲再写全文，若大纲不合格就重写。
路由工作流则先执行一次分类调用或传统分类器，再把输入导向不同后续路径。分类本身可以使用较小模型，后续则各自配备专门提示词和工具。因此路由牺牲一次延迟换取更聚焦的处理，而链式通过让每一步更简单来换取准确性。
客服工单分流的具体条件
假设输入是用户工单文本，类别有‘账号恢复’‘退款申请’‘技术故障’，分别需要读数据库、访问支付系统、查看日志。我们设定需要控制：分类准确率需达到95%以上，否则退款走错路径会拿不到必要信息。路由函数先用一个大模型分类，设定置信度低于0.8时落入人工或通用回复流程。
结果：高置信度工单被送到专用提示和工具链，退款流程知道去查订单而不是日志；分类不确定的工单则走默认链式——先收集信息再给模板答复。这种混合结构减少了路由误分类的影响，同时保留了两个工作流的优点。
何时路由会失效并应退回链式
当类别间重叠严重、难以分离时，路由分类器会把同类输入错误分配，后续专用路径接收了错误上下文后产生更差输出。比如‘技术故障’和‘账号恢复’常常同时出现，单靠文本分类难以划界。此时路由的分离关注优势会被分错代价抵消。
另一失效点是维护成本：每个分支都要独立提示、工具和评估。若多数输入无论走哪条路径都要执行大量公共步骤，固定链式加一个条件检查往往更简单。工程判断标准是：路由只在各路径需要不同模型、工具或提示且分类可靠时引入，否则用统一链式加分支判断即可。
容易答错的地方
- 认为路由一定比链式效果好
- 实际上路由增加了分类依赖，若分类不准确，错误会传播到后续所有步骤。对于输入分布稳定、所有输入都要做相似转换的任务，链式更可预测。Anthropic提醒应先从单次LLM调用开始，只在分类能准确完成时才加路由。
- 把路由与自动化agent混为一谈
- 路由是预定义代码路径上的静态分类决策，模型不决定下一步如何演进；agent则由模型动态控制自己的流程。路由中分类后接的仍是固定子流程，没有循环和自主工具选择，因此不能替代需要灵活规划的agent。
面试官还会怎么问？
路由分类的准确率要达到多高才值得使用？
没有固定阈值，但需要由下游收益衡量。若分错会让专用路径做出危险动作（如退款），应提高置信度门槛并把低置信度转入人工。通常可用混淆矩阵评估每类错误成本，期望成本低于统一链式时才采用路由。
在LangGraph中如何实现路由和链式？
链式用顺序连接的节点即可，每个节点返回状态。路由则用条件边，路由函数读状态返回目标节点名，框架按返回值跳转。但LangGraph本身是图标准，区分路由主要看你是否在输入上做分类再分流，而不是把分叉点无条件边。
如果输入类别持续增加，路由与链式该如何扩展？
路由需要为每个新类别维护独立提示和工具链，类别过多会导致维护和评估成本膨胀。实践中可以把少数高发类别走路由，把低发或难分输入统一交给一个具备工具调用的agent流程处理。
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。