在建構 AI 應用程式時，您經常會遇到看似簡單，但當您試圖在單一請求中處理所有事情時卻變得複雜的任務。讓我們探索一種工作流程模式，它可以幫助您分解複雜的任務，並從 Claude 獲得更好的結果。
複雜單一請求的問題
想像您正在建構一個材料設計應用程式，使用者上傳零件的圖片，並獲得最佳材料使用建議。您的第一個直覺可能是將圖片傳送給 Claude，並附上一個簡單的提示，要求它在金屬、聚合物、陶瓷、複合材料、彈性體或木材之間做出選擇。
這種基本方法可能有效，但您要求 Claude 在沒有適當指引的情況下進行大量分析。一個自然的改進方法是擴展提示，為每種材料類型加入詳細的標準。
然而，這會產生一個新問題：您最終會得到一個龐大的提示，這可能會讓 Claude 感到困惑，因為它必須同時處理多個複雜的分析。模型可能會因為試圖同時考慮每種材料的所有不同優缺點而分心。
更好的方法：平行化
與將所有內容塞進一個請求中不同，您可以將任務拆分成多個並行執行的專門請求。運作方式如下：
將同一張圖片多次傳送給 Claude，但使用不同的專門提示。每個請求只專注於評估該零件是否適用於一種材料類型：
- 一個請求分析金屬的適用性
- 另一個評估聚合物選項
- 第三個考慮陶瓷材料
- 以此類推，針對每種材料類型
每個提示都可以針對其特定材料進行高度專門化，包括相關標準，如強度要求、耐溫性或製造限制。
彙總結果
一旦您收到所有個別的分析結果，您就向 Claude 發出最終請求，作為彙總器。此請求會取用所有專門的分析，並要求 Claude 比較它們並做出最終建議。
現在 Claude 不需要從頭開始比較材料。相反，它可以專注於評估分析結果，並根據您已經收集的詳細評估，找出最有希望的選項。
平行化模式
這種方法遵循一種稱為平行化工作流程的通用模式：
- 拆分：將單一複雜任務拆分成多個專門的子任務
- 執行：並行（同時）執行子任務
- 彙總：在最後一步將結果彙總在一起
關鍵的洞見是，平行化的子任務不需要完全相同。每個子任務都可以有專門的提示、不同的工具，或針對其特定目的量身訂製的獨特方法。
平行化的優點
這種工作流程模式提供了幾個優勢：
- 專注力： Claude 可以一次專注於一個特定的分析，而不必同時處理多個複雜的考量
- 更容易優化： 您可以獨立改進和測試每個子任務的提示
- 更好的可擴展性： 新增材料類型或標準不會使現有的子任務變得複雜
- 更快的執行速度： 由於子任務是並行執行的，總時間通常比循序方法更短
何時使用此模式
當您有一個可以分解成獨立子問題的複雜任務時，平行化的效果很好。尋找那些您要求 Claude 考慮多個選項、執行多種類型的分析，或同時處理同一問題不同方面的情況。
當每個子任務都能從專門的提示中受益，或者當您想確保在不讓模型一次承受過多複雜性的情況下，徹底涵蓋不同的可能性時，這種模式特別有用。