Glossary
59 terms from "Agent 工作流设计：从单次对话到多步骤自动化." Look them up when you get stuck; the first mention in the text carries a hover definition.
| Term | Definition | Source |
|---|---|---|
| 工作流(Workflow) | 一个可执行的脚本，将复杂任务拆解成多个步骤，每个步骤委托给一个代理，由脚本负责协调和控制流程。 | Alex Op：Claude Code 工作流确定性多代理编排 |
| 编排(Orchestration) | 由脚本决定任务的执行顺序、并行策略和分支逻辑，而不是让 Agent 自己决定控制流。 | ClaudeWorld：什么是工作流？多代理编排详解 |
| 单次对话 | 一个 Agent 在一个上下文窗口内完成任务，所有历史和结果都保存在对话中。 | Claude Code 官方文档：工作流编排 |
| 子代理(Subagent) | 工作流中每个步骤启动的独立 Agent 实例，有自己的上下文窗口，完成特定子任务后返回结果。 | ClaudeWorld：什么是工作流？多代理编排详解 |
| 扇出-汇总(Fan-out-Reduce) | 并行分解模式的核心：将任务分散给多个并行子代理(扇出)，收集所有结果后合并(汇总)。 | MindStudio：Claude Code 五大工作流模式 |
| 步骤(Step) | 工作流的原子操作，要么是一个 Agent 调用(需要推理)，要么是一个确定性函数(数据转换、计算)。 | MindStudio：Claude Code 五大工作流模式 |
| 状态(State) | 工作流当前的所有信息：执行到哪一步、每步的结果、接下来需要什么，像工作流的内存。 | MachineLearningMastery：AI 代理中的持久化内存和状态的 5 种架构模式 |
| 上下文(Context) | 传递给单个 Agent 调用的信息，从工作流状态中选择性提取，只包含这个步骤需要的部分。 | Chrono Innovation：可扩展的代理 AI 工作流架构 |
| 工作流状态 | 当前任务的所有信息，跨步骤传递但不跨会话，可以持久化到数据库以便恢复。 | MindStudio：工作流状态 vs 会话状态 |
| 会话状态 | Agent 自己管理的对话历史和临时上下文，工作流不需要关心。 | MindStudio：工作流状态 vs 会话状态 |
| 检查点(Checkpoint) | 在关键步骤后保存工作流状态到外部存储，崩溃后可以从最近的检查点恢复，而不是从头开始。 | MachineLearningMastery：AI 代理中的持久化内存和状态的 5 种架构模式 |
| 状态机(State Machine) | 用离散的状态(如 init、processing、completed)和明确的转换规则建模工作流，每个状态转换都持久化。 | MindStudio：工作流状态 vs 会话状态 |
| 顺序分解 | 任务分解策略之一，将任务拆解为必须按顺序执行的步骤，每步依赖前一步的输出。 | OneUpTime：如何创建任务分解 |
| 并行分解 | 任务分解策略之一，将任务拆解为多个独立的子任务，可以同时执行，最后汇总结果。 | OneUpTime：如何创建任务分解 |
| 混合分解 | 任务分解策略之一，高层是顺序的阶段，每个阶段内部是并行的步骤，结合两种分解的优势。 | OneUpTime：如何创建任务分解 |
| 依赖关系 | 步骤间的输入输出关系，如果步骤 B 需要步骤 A 的输出，则 B 依赖 A，必须等 A 完成后才能执行。 | ACONIC 论文：系统化 LLM 任务分解 |
| 链式思考(Chain-of-Thought) | 提示技术，要求 LLM 在分解任务或推理时展示中间步骤，而不是直接给出答案。 | ApX Machine Learning：LLM 代理任务分解策略 |
| 零样本提示(Zero-Shot) | 不提供示例，直接让 LLM 完成任务，依赖其预训练知识。 | ApX Machine Learning：LLM 代理任务分解策略 |
| 瞬态错误(Transient Error) | 暂时性错误，通常由网络波动、资源竞争或临时过载引起，重试后可能成功。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 永久错误(Permanent Error) | 持久性错误，通常由配置错误、权限不足或代码 bug 引起，重试也不会成功。 | Agents Arcade：代理系统中的错误处理 |
| 指数退避(Exponential Backoff) | 重试策略，每次重试的延迟时间指数增长(1s, 2s, 4s, 8s...)，给服务更多恢复时间。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 抖动(Jitter) | 在延迟时间上加随机扰动，避免多个客户端在完全相同的时间重试，分散负载。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 断路器(Circuit Breaker) | 当错误率超过阈值时暂停调用失败的服务，直接快速失败，避免资源浪费和级联故障。 | Vasanthan：处理基于代理的工作流中的失败 |
| 补偿操作(Compensation) | 撤销已完成步骤的操作，如工作流中途失败，补偿操作回滚前面的步骤，保持数据一致性。 | AWS Marketplace：代理编排 |
| Saga 模式 | 为每个步骤定义正向操作和补偿操作，失败时反向执行补偿操作，实现分布式事务。 | AWS Marketplace：代理编排 |
| 幂等性(Idempotence) | 操作执行 N 次和执行 1 次效果相同，即使重复执行也不产生副作用。 | Agents Arcade：代理系统中的错误处理 |
| 分支(Branch) | 工作流根据条件选择不同的执行路径，如 if-else 或 switch 语句。 | Alex Op：Claude Code 工作流确定性多代理编排 |
| 循环(Loop) | 工作流重复执行相同操作，如 for 循环(对每个元素)或 while 循环(直到条件满足)。 | Alex Op：Claude Code 工作流确定性多代理编排 |
| 并发限制 | 限制同时执行的并行任务数量，避免资源耗尽(如打开太多文件、占满连接池)。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 输入输出契约 | 每个步骤明确定义接受什么输入、返回什么输出，像函数签名一样清晰。 | AWS Marketplace：代理编排 |
| 可观察性(Observability) | 工作流能够回答「当前进度如何、遇到了哪些错误、性能瓶颈在哪里」等问题的能力。 | ClaudFlow：Claude Code 工作流自动化的 7 种模式 |
| 进度追踪 | 记录工作流完成了多少步、还剩多少步、预计什么时候完成。 | MachineLearningMastery：AI 代理中的持久化内存和状态的 5 种架构模式 |
| 错误日志 | 记录工作流中发生的所有错误，包括步骤名称、错误类型、错误消息、发生时间。 | Vasanthan：处理基于代理的工作流中的失败 |
| 性能分析 | 测量每个步骤的耗时，识别工作流的性能瓶颈。 | ClaudFlow：Claude Code 工作流自动化的 7 种模式 |
| 控制流反转 | 工作流的核心创新：不是让 Agent 决定下一步做什么，而是让脚本决定调用哪个 Agent。 | Alex Op：Claude Code 工作流确定性多代理编排 |
| 确定性编排 | 工作流的执行路径由脚本的控制流(循环、分支)决定，同样的输入产生同样的路径。 | Alex Op：Claude Code 工作流确定性多代理编排 |
| 上下文窗口 | Agent 一次能看到的最大文本量，通常是几十万到百万 token，超过则需要截断或遗忘旧内容。 | ClaudeWorld：什么是工作流？多代理编排详解 |
| 上下文爆炸 | 工作流中每个步骤的结果都累加到上下文中，导致上下文越来越大，最终超过限制或影响性能。 | Ranjan Kumar：构建会记忆的代理 |
| 重置式上下文 | 每个步骤清空上下文，只传递当前步骤需要的信息，避免上下文爆炸。 | Ranjan Kumar：构建会记忆的代理 |
| 累积式上下文 | 每个步骤的结果都加到上下文中，后续步骤能看到所有历史，适合最后的汇总步骤。 | Ranjan Kumar：构建会记忆的代理 |
| 外部存储 | 将工作流状态持久化到数据库、Redis 或文件系统，而不是只保存在内存变量中。 | Appamass：可靠 AI 代理工作流的状态管理模式 |
| 阶段检查点 | 在工作流的每个大阶段完成后保存检查点，而不是每个小操作后都保存。 | MachineLearningMastery：AI 代理中的持久化内存和状态的 5 种架构模式 |
| 恢复逻辑 | 工作流从检查点恢复后，跳过已完成的步骤，从中断点继续执行。 | MachineLearningMastery：AI 代理中的持久化内存和状态的 5 种架构模式 |
| 人工审批 | 工作流在关键决策点暂停，等待人工确认后继续，常见于生产部署、数据删除等高风险操作。 | Appamass：可靠 AI 代理工作流的状态管理模式 |
| 批量处理 | 将大量任务分成小批次顺序处理，每批内部并行，控制并发数量和资源消耗。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 速率限制(Rate Limit) | API 对单位时间内的请求数量的限制，超过返回 429 错误，需要等待或降低请求速率。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 资源竞争 | 多个并行任务同时访问有限资源(如数据库连接、文件句柄)，导致部分任务失败或超时。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 级联故障 | 一个服务的失败导致依赖它的服务也失败，失败范围逐步扩大。 | Vasanthan：处理基于代理的工作流中的失败 |
| 快速失败(Fail Fast) | 遇到明确无法恢复的错误(如永久错误、断路器打开)时立即失败，不重试，节省资源。 | Agents Arcade：代理系统中的错误处理 |
| 优雅降级 | 工作流遇到非关键步骤失败时跳过该步骤继续执行，而不是整体失败。 | Augment Code：异步 AI 代理工作流如何在失败中生存 |
| 关键步骤 | 工作流中必须成功的步骤，失败则整个工作流应该中止并回滚或补偿。 | Vasanthan：处理基于代理的工作流中的失败 |
| 依赖图 | 用节点表示步骤、箭头表示依赖关系的图，清晰展示步骤间的依赖和执行顺序。 | ACONIC 论文：系统化 LLM 任务分解 |
| DAG(有向无环图) | 依赖图的形式化表示，节点是步骤，有向边是依赖，无环保证不会死锁。 | ACONIC 论文：系统化 LLM 任务分解 |
| 叶子节点 | 依赖图中没有依赖其他节点的节点，可以最先执行。 | Kinde：复杂重构的多代理工作流 |
| 拓扑排序 | 根据依赖关系确定步骤的执行顺序，保证每个步骤执行时其依赖已完成。 | ACONIC 论文：系统化 LLM 任务分解 |
| 代码重构管道 | 自动分析代码、生成重构计划、按依赖顺序重构、测试验证的完整管道。 | Kinde：复杂重构的多代理工作流 |
| 文档生成管道 | 从代码提取 API、生成示例、渲染文档、发布的自动化流程。 | ClaudFlow：Claude Code 工作流自动化的 7 种模式 |
| 测试自动化流程 | 自动准备环境、并行运行测试、收集结果、生成报告的端到端测试工作流。 | ClaudFlow：Claude Code 工作流自动化的 7 种模式 |
| 工作流调试 | 通过日志、状态检查、单步执行等手段定位工作流中的问题。 | ClaudFlow：Claude Code 工作流自动化的 7 种模式 |