专家链模式 (Chain-of-Experts Pattern)

任务在专家 Agent 间依次传递，每个专家在前一位的基础上添加自己的分析。

专家链模式将任务依次传递给一系列专业专家 Agent，每个专家在之前专家的基础上添加自己的分析视角。最后由综合器整合所有专家贡献，形成完整输出。

这种模式非常适合需要多个领域视角的复杂任务，每个专家的分析都为下一个专家提供上下文。

适用场景

适合使用	不适合使用
需要多个领域专家审查的复杂研究	简单的单一领域任务
需要顺序专家审查的文档编辑	需要并行处理以提高速度的任务
每个专家在前一个基础上构建的多阶段分析	有唯一正确答案的任务
法律、医疗或技术审查流程	需要即时响应的场景

架构

flowchart LR
    A([开始]) --> B["expert_1\n— 第一位专家分析 —"]
    B --> C["expert_2\n— 第二位专家基于第一位构建 —"]
    C --> D["expert_N\n— 第 N 位专家贡献 —"]
    D --> E["synthesizer\n— 最终整合 —"]
    E --> F([结束])

状态 (State) 在图中流转：

字段	类型	说明
`task`	`str`	输入任务
`experts`	`list[dict]`	专家定义列表 [{name, specialty, system_prompt}]
`current_expert_index`	`int`	当前处理的专家索引
`expert_outputs`	`list[dict]`	每个专家的累积输出
`final_synthesis`	`str`	综合器的最终整合输出

核心代码

from patterns.chain_of_experts.pattern import ChainOfExpertsPattern

pattern = ChainOfExpertsPattern()

experts = [
    {"name": "法律审查", "specialty": "法律分析"},
    {"name": "技术专家", "specialty": "技术可行性"},
    {"name": "风险分析师", "specialty": "风险评估"},
]

result = pattern.run(
    task="审查这份软件合作协议",
    experts=experts,
)

print(result["final_synthesis"])  # 整合后的专家分析

配置参数

参数	默认值	说明
`model`	`"gpt-4o-mini"`	OpenAI 模型名称（提供 `llm` 时忽略）
`llm`	`None`	预配置的 LangChain `BaseChatModel` 实例

快速开始

# 1. 克隆并安装依赖
git clone https://github.com/your-org/agentflow.git
cd agentflow && uv sync

# 2. 配置 API Key
echo "OPENAI_API_KEY=sk-..." > .env

# 3. 运行示例
uv run python -m patterns.chain_of_experts.example

示例输出

============================================================
CHAIN-OF-EXPERTS PATTERN -- 多专家分析
============================================================

任务：分析拟议的软件合作伙伴协议

专家 1: 法律审查
专家 2: 技术专家
专家 3: 风险分析师

============================================================
最终综合分析：
============================================================
# 综合合作伙伴分析

## 法律视角
[法律审查员对合同条款的分析...]

## 技术可行性
[技术专家的评估...]

## 风险评估
[风险分析师的评价...]

## 整合结论
[综合三位专家的发现...]

============================================================
专家贡献数：3

工作原理详解

初始化： 图接收一个任务和专家定义列表。
专家处理： 每个专家按顺序处理任务，接收所有先前专家输出的上下文。
顺序传递： 专家 1 → 专家 2 → ... → 专家 N，每个都在前一个基础上构建。
综合： 最终综合器节点将所有专家输出整合成连贯的结论。
输出： 图返回反映所有专家视角的完整综合分析。

与其他模式的对比

维度	专家链模式	反思模式	辩论模式
Agent 数量	N 个专家 + 1 个综合器	2（写作 + 评审）	2+ 个对抗性辩手
交互方式	顺序链式传递	顺序循环	对抗式多轮
最佳场景	多领域分析	迭代改进	探索对立观点
输出	整合综合分析	改进后的草稿	输赢判定
实现复杂度	中等	低	中等

专家链模式非常适合需要多个专业视角且相互构建的场景。需要单一输出迭代改进时使用反思模式。需要探索对立观点时使用辩论模式。

运行测试

uv run pytest patterns/chain_of_experts/tests/ -v

测试使用 Mock LLM，无需 API Key。

文件结构

patterns/chain_of_experts/
├── __init__.py
├── pattern.py          # 核心 ChainOfExpertsPattern 类
├── example.py          # 一键可运行的演示
├── diagram.mmd         # Mermaid 架构图源文件
├── README.md           # 英文文档
├── README_zh.md        # 本文件（中文文档）
└── tests/
    ├── __init__.py
    └── test_chain_of_experts.py