LLM Workflow Patterns
Know the four common model tasks in workflows, place each in a deterministic chain with checks and error paths, and prefer simple patterns.
بعد از این درس میتوانی
- یک کار را در یکی از چهار الگو (طبقهبندی، استخراج، خلاصه، تولید) جای بدهد و خروجی و ریسک خاص آن را بگوید.
- برای هر الگو، بررسی بعدی مناسب (قطعی، نمونهبرداری، انسانی) را انتخاب کند.
- الگوهای ترکیبی زنجیره، مسیریابی و ارزیاب-بهبوددهنده را بشناسد و فقط وقتی لازم است به کار ببرد.
- گام مدل را در ورکفلوی قطعی AUT-202 با ورودی کمینه، خروجی ساختاریافته و مسیر خطا قرار دهد.
چرا این درس مهم است
برگ سبز حالا ورکفلوهای قطعی آزموده دارد. وسوسه بعدی این است که «یک مدل بگذاریم که بقیه را بفهمد». همکاری یک گره مدل گذاشت با دستور «این ایمیل را بخوان، دستهبندی کن، اطلاعات لازم را دربیاور، خلاصه کن و جواب بنویس». خروجی یک متن بلند بود که گاهی JSON داشت، گاهی نه؛ وقتی دسته غلط بود، نمیشد فهمید کدام بخش خراب شده؛ و هیچچیز قابل آزمون جدا نبود.
بیشتر کاربردهای مدل در ورکفلو یکی از چهار کار سادهاند. وقتی هر گام مدل یک کار با خروجی روشن انجام بدهد، میتوانی بسنجیش، بررسیاش کنی و جایش را عوض کنی. این درس این چهار الگو و ترکیبهای سادهشان را جا میاندازد.
مفاهیم کلیدی
یادآوری: گام قطعی و مدل و انسان را در طرح خودکارسازی دوره پایه، و خروجی ساختاریافته را در دوره FND-102 دیدی.
- Classification (طبقهبندی): انتخاب یک برچسب از فهرست بسته برای ورودی؛ مثل دسته تیکت.
- Extraction (استخراج): بیرون کشیدن فیلدهای مشخص از متن آزاد؛ مثل شماره سفارش و تاریخ.
- Summarization (خلاصهسازی): کوتاه کردن متن با حفظ نکتههای مهم.
- Generation (تولید): نوشتن متن تازه؛ مثل پیشنویس پاسخ به مشتری.
- Prompt Chaining (زنجیره درخواست): شکستن کار به چند گام مدل پشت سر هم که خروجی هرکدام ورودی بعدی است.
- Evaluator-Optimizer (ارزیاب-بهبوددهنده): یک گام مدل تولید میکند و گام دیگر با معیار ارزیابی میکند و بازخورد میدهد.
مدل ذهنی
گام مدل را مثل کارمند تازهکار با یک کار مشخص ببین، نه مدیر همهکاره. «این نامه را در یکی از این شش پوشه بگذار» کاری است که میشود سنجید. «همه نامهها را مدیریت کن» نیست. و کار هر کارمند تازهکار را کسی (یا قاعدهای) بررسی میکند، به نسبت ریسکش.
چهار الگوی مدل در ورکفلو و بررسی بعد از هرکدام
این تشبیه کجا غلط است؟ کارمند تازهکار با تجربه بهتر میشود و اشتباه دیروز را تکرار نمیکند. مدل در ورکفلو از اجرای قبلی چیزی یاد نمیگیرد؛ همان ورودی ممکن است فردا هم همان خطا را بدهد، یا با تغییر نسخه مدل، خطای تازهای. «بهتر شدن» فقط از راه تو میآید: پرامپت، مثال، Schema و مجموعه آزمون.
گامبهگام
گام ۱: چهار الگو و ریسک هرکدام
| الگو | خروجی | ریسک ویژه | بررسی پیشنهادی |
|---|---|---|---|
| طبقهبندی | یک برچسب از فهرست بسته | برچسب غلط ولی معتبر | فهرست بسته (enum)؛ مجموعه آزمون با دقت هر دسته؛ دسته «نامطمئن» به صف |
| استخراج | فیلدهای مشخص | مقدار ساختهشده (شماره سفارشی که در متن نبود) | مقدار باید در متن باشد؛ نوع و قالب |
| خلاصه | متن کوتاه | جا انداختن نکته مهم یا افزودن چیزی که نبود | نمونهبرداری منظم انسانی؛ برای کار حساس، نقلقول با منبع |
| تولید | متن تازه | ادعا یا تعهد نادرست، لحن نامناسب | تأیید انسانی پیش از ارسال؛ قالب آزموده؛ فهرست «نباید»ها |
قاعدهای که از دوره پایه آمده: هر چه را میشود قطعی انجام داد، به مدل نده. شمردن، مقایسه عدد، جستوجوی شماره با الگوی ثابت، و تاریخ کار ابزارند.
گام ۲: یک گام، یک کار
دستور «دستهبندی کن، استخراج کن و پاسخ بنویس» را به سه گام بشکن. مقاله Anthropic همین را «زنجیره درخواست» مینامد: کار به گامهای پشت سر هم شکسته میشود و بین گامها میشود بررسی برنامهای گذاشت؛ و «مسیریابی» را برای وقتی که ورودی دستهبندی و به مسیر تخصصی فرستاده میشودsrc-anthropic-building-effective-agents. همان مقاله توصیه میکند سادهترین راهحل ممکن را پیدا کنی و فقط وقتی لازم است پیچیدگی اضافه کنیsrc-anthropic-building-effective-agents.
نتیجه برای برگ سبز:
- گام قطعی: حذف داده حساس.
- طبقهبندی (مدل) ← بررسی enum.
- مسیریابی (Switch قطعی) بر اساس دسته.
- در شاخه سفارش: استخراج شماره (مدل) ← بررسی وجود در متن ← خواندن وضعیت (HTTP).
- تولید پیشنویس (مدل) ← تأیید انسانی (درس پنجم).
گام ۳: الگوهای ترکیبی را با احتیاط اضافه کن
- موازیسازی: دو گام مستقل (مثلاً تشخیص زبان و تشخیص فوریت) همزمان؛ برای سرعت. مقاله Anthropic موازیسازی را هم در فهرست الگوها داردsrc-anthropic-building-effective-agents.
- ارزیاب-بهبوددهنده: گام دوم پیشنویس را با معیار میسنجد و بازخورد میدهد. وقتی معیار روشن داری و یک دور بهبود ارزش هزینه دوبرابر را دارد؛ وگرنه معیار را در پرامپت اول بگذار.
- هر الگوی تازه = فراخوانی بیشتر، تأخیر بیشتر، هزینه بیشتر. آن را فقط با عدد از مجموعه آزمون توجیه کن.
گام ۴: ورودی کمینه، خروجی ساختاریافته
به گام مدل فقط چیزی را بده که لازم دارد: برای طبقهبندی، متن پیام؛ نه تلفن، نه تاریخچه سفارشها. خروجی طبقهبندی و استخراج را ساختاریافته بخواه (درس بعد با گرههای n8n). گره Information Extractor در n8n مثلاً اجازه میدهد Schema را از توضیح فیلدها، از یک نمونه JSON یا مستقیم با JSON Schema تعریف کنی و خودش دستور قالب را به پرامپت سیستمی اضافه میکندsrc-n8n-information-extractor.
مثالها
پیادهسازی عملی
کارت الگو و یک گام طبقهبندی. حدود ۲۰ دقیقه.
- هشت کار assets/pattern-cards.md را در الگوها جای بده و برای هرکدام بررسی بعدی را بنویس. سپس پاسخها را ببین.
- در ورکفلوی قطعی درسهای AUT-202، یک گام طبقهبندی اضافه کن: HTTP Request به نقطه پایانی مدل (مثل پروژه ۲) با پیام سیستمی کوتاه و فهرست بسته دستهها؛ سپس یک If که بررسی کند دسته در فهرست است؛ نامعتبر به صف بررسی.
- با پنج پیام از shared/barg-sabz-tickets.csv اجرا کن و دستهها را با ستون
expected_categoryمقایسه کن.
اجرای محلی
مدل محلی Ollama: در گره HTTP Request نشانی http://host.docker.internal:11434/v1/chat/completions (اگر n8n در Docker است) با بدنه شکل پروژه ۲. اگر n8n شما گره «Ollama Chat Model» دارد، میتوانی آن را با گره Text Classifier به کار ببری؛ بررسی enum بعد از آن هم لازم است.
بدون اجرا / شبیهساز
مدل آزمایشی داخل API آزمایشی (shared/barg-sabz-mock-api.py): نشانی http://host.docker.internal:8787/v1/chat/completions با Credential هدر Authorization: Bearer local-demo-token. در پیام سیستمی کلمه JSON را بیاور تا مدل آزمایشی در حالت طبقهبندی پاسخ بدهد (راهنما: shared/barg-sabz-mock-api.README.md). مدل آزمایشی قاعدهمحور است و ۱۷ از ۲۰ پیام را درست دستهبندی میکند؛ برای تمرین ساختار کافی است، نه برای سنجش کیفیت مدل.
اشتباههای رایج
| اشتباه | نتیجه | کار درست |
|---|---|---|
| یک گام مدل برای همه کارها | خطا قابل ردیابی و آزمون نیست | یک گام، یک کار |
| طبقهبندی بدون فهرست بسته | برچسبهای تازه و ناهمسان | enum و بررسی |
| استخراج بدون بررسی وجود در متن | مقدار ساختهشده | قاعده معنایی |
| تولید بدون تأیید برای متن رو به مشتری | تعهد یا ادعای نادرست | تأیید پیش از ارسال |
| افزودن ارزیاب «برای کیفیت بیشتر» بدون عدد | هزینه دوبرابر بیدلیل | با مجموعه آزمون توجیه کن |
| دادن همه داده به مدل | نشت داده و هزینه | ورودی کمینه |
اشکالزدایی
گاهی دستهای خارج از فهرست میآید، مثل «سفارش» بهجای order_shipping.
خروجی ساختاریافته اجرا نمیشود یا فهرست بسته فقط در متن پرامپت است.
خروجیهای خارج از فهرست را بشمار؛ ببین ارائهدهنده Schema را اجرا میکند یا نه.
enum در Schema، بررسی در If، و نامعتبر به صف؛ یک بار تکرار با یادآوری قبل از صف.
شماره سفارش استخراجشده در پیام وجود ندارد.
مدل برای پر کردن فیلد اجباری مقدار ساخته است.
مقدار را (با یکسانسازی ارقام فارسی و لاتین) در متن جستوجو کن.
فیلد را nullable کن و دستور بده «اگر نیست، null»؛ قاعده معنایی بعد از استخراج.
پس از افزودن گام خلاصه، شکایتها درباره «حرفی که مشتری نزده بود» زیاد شد.
خلاصه چیزی افزوده یا لحن را تغییر داده و بعدیها روی خلاصه تصمیم گرفتهاند.
نمونهبرداری: خلاصه را کنار متن اصلی بخوان.
برای تصمیمهای حساس از متن اصلی استفاده کن؛ خلاصه فقط برای نمایش، با پیوند به اصل.
تمرین کوتاه
تمرین · 10 دقیقه
هدف: طراحی زنجیره درست.
گامها: ورکفلوی «فاکتورهای ورودی» برگ سبز: ایمیل با PDF فاکتور میرسد؛ باید نام فروشنده، تاریخ، اقلام و مبلغ دربیاید؛ جمع اقلام با مبلغ کل مقایسه شود؛ اگر فروشنده ناشناخته یا مبلغ بالای سقف است، مدیر تأیید کند؛ بعد در صفحهگسترده ثبت شود. گامها را با الگو یا نوع (قطعی، انسان) و بررسی بعدی بنویس.
معیار پذیرش: استخراج با Schema و بررسی؛ جمع با ابزار؛ شرط فروشنده و سقف قطعی؛ تأیید انسانی پیش از ثبت برای موارد شرطی؛ هیچ گام «تولید»ی لازم نیست.
راهحل نمونه
- ماشه ایمیل و خواندن PDF (قطعی). ۲) استخراج فروشنده، تاریخ، اقلام، مبلغ (مدل، Schema) ← بررسی نوع و وجود. ۳) جمع اقلام و مقایسه با مبلغ (قطعی). ۴) If: فروشنده در فهرست شناختهشده و مبلغ زیر سقف؟ (قطعی). ۵) نه ← تأیید مدیر (انسان). ۶) ثبت در صفحهگسترده (قطعی). خلاصه و تولید لازم نیست؛ افزودنشان فقط هزینه و ریسک است.
چالش
تمرین · 30 دقیقه
موقعیت: در طرح خودکارسازی کار خودت، جای گامهای مدل را بازطراحی کن. اگر دادهات حساس است، نمونهها را ساختگی یا ناشناس بساز.
- هر گام مدل را در یکی از چهار الگو جای بده؛ اگر یک گام چند کار میکند، بشکنش.
- برای هر گام مدل: ورودی کمینه، خروجی (Schema یا قالب)، بررسی بعدی، و مسیر نامعتبر.
- اگر الگوی ترکیبی (موازی، ارزیاب) داری، دلیلش را با یک عدد یا آزمون توجیه کن یا حذفش کن.
- یک گام طبقهبندی یا استخراج را در n8n با پنج نمونه ساختگی اجرا کن و نتیجه را جدول کن.
خروجی مورد انتظار: جدول گامهای مدل با الگو، ورودی، خروجی، بررسی و مسیر خطا؛ و نتیجه اجرای پنجنمونهای.
معیار پذیرش:
- هیچ گام مدلی بیش از یک کار ندارد.
- هر گام مدل بررسی بعدی متناسب با الگویش دارد.
- متن رو به مشتری بدون تأیید یا دلیل روشن ارسال نمیشود.
- دادهها ساختگی یا ناشناساند.
پرسشهای سنجش
جمعبندی
- بیشتر کاربردهای مدل در ورکفلو: طبقهبندی، استخراج، خلاصه، تولید.
- یک گام، یک کار؛ دستور همهکاره را بشکن.
- طبقهبندی با فهرست بسته؛ استخراج با بررسی وجود در متن؛ خلاصه با نمونهبرداری؛ تولید با تأیید.
- زنجیره و مسیریابی ساده را اول بساز؛ موازیسازی و ارزیاب را فقط با عدد اضافه کن.
- ورودی کمینه به مدل، خروجی ساختاریافته، و مسیر نامعتبر به صف بررسی.
پرسشهای سنجش
برای هر کار الگو و ریسک ویژهاش را بنویس: (الف) تعیین اینکه درخواست همکاری از ناشر است یا نویسنده یا مشتری؛ (ب) درآوردن تاریخ و ساعت جلسه از ایمیل؛ (ج) پیشنویس پاسخ به پیشنهاد همکاری.
پاسخ نمونه و معیار ارزیابی
(الف) طبقهبندی؛ ریسک برچسب غلط ولی معتبر. (ب) استخراج؛ ریسک تاریخ ساختهشده یا تفسیر غلط تاریخ نسبی («پنجشنبه آینده») بدون مرجع زمان. (ج) تولید؛ ریسک تعهد یا ادعای نادرست و لحن نامناسب.
- سه الگوی درست (1 امتیاز)
- ریسک ویژه هر الگو (2 امتیاز)
- ب تولید ← تاریخ در متن هست؛ کار بیرون کشیدن است، نه نوشتن.
همکارت میخواهد بعد از گام تولید پیشنویس، یک گام «ارزیاب» مدل بگذارد که پیشنویس را بسنجد و اگر لازم شد دوباره بنویسد. چه چیزی به دست میآید، چه هزینهای دارد، و با چه شرطی موافقت میکنی؟
پاسخ نمونه و معیار ارزیابی
به دست میآید: احتمال کیفیت بهتر و گرفتن برخی خطاها پیش از انسان. هزینه: دستکم دو برابر فراخوانی و تأخیر، پیچیدگی بیشتر، و ارزیابی که خودش ممکن است اشتباه کند. شرط: معیار ارزیابی روشن و قابل نوشتن باشد، و روی مجموعه آزمون نشان بدهد نرخ رد یا ویرایش انسانی را به اندازهای کم میکند که هزینه را توجیه کند؛ وگرنه معیار را در پرامپت اول بگذار و تأیید انسانی را نگه دار.
- فایده مشخص (1 امتیاز)
- هزینه فراخوانی و تأخیر و خطای ارزیاب (1 امتیاز)
- شرط سنجشپذیر با مجموعه آزمون (1 امتیاز)
- همیشه بهتر است ← هر گام مدل هزینه و منبع خطای تازه است؛ بدون سنجش معلوم نیست بهتر شده.
گام استخراج برای ۲۰۰ پیام اجرا شده و Schema همیشه معتبر است. در نمونهبرداری، در ۱۲ پیام که هیچ شماره سفارشی نداشتند، order_id پر است. علت و دو اصلاح؟
پاسخ نمونه و معیار ارزیابی
مدل برای فیلد اجباری مقدار ساخته است؛ Schema فقط شکل را تضمین میکند. اصلاحها: (۱) order_id را nullable کن و در دستور بگو اگر در متن نیست null بگذارد؛ (۲) قاعده معنایی بعد از استخراج: مقدار باید (با یکسانسازی ارقام) در متن باشد، وگرنه null یا صف بررسی. و این ۱۲ پیام را به مجموعه آزمون اضافه کن.
- ساختن مقدار برای فیلد اجباری (1 امتیاز)
- nullable و دستور روشن (1 امتیاز)
- قاعده معنایی وجود در متن (1 امتیاز)
- مدل قویتر ← ممکن است کمتر شود، ولی بدون بررسی معنایی دیده نمیشود.
برای کدام گام، تأیید انسانی پیش از اثر مناسبترین بررسی است؟
- طبقهبندی پیام به شش دسته برای مسیریابی داخلی.
- پیشنویس پاسخ به مشتری درباره بازپرداخت.
- استخراج شماره سفارش برای خواندن وضعیت.
- خلاصه یک گفتگو برای کارمند شیفت بعد.
پاسخ نمونه و معیار ارزیابی
- a ← مسیریابی داخلی با enum و صف «نامطمئن» کافی است؛ تأیید تکتک هزینه بیدلیل است.
- c ← بررسی قطعی وجود در متن کافی است.
- d ← نمونهبرداری و پیوند به اصل کافی است؛ اثر بیرونی ندارد.
ورکفلوی قطعی «سفارشم کجاست؟» از AUT-202 را در نظر بگیر. گامهای مدل را کجا اضافه میکنی؟ ترتیب کامل گامها را با نوع هرکدام (قطعی، مدل با الگو، انسان) و بررسی بعد از گامهای مدل بنویس.
پاسخ نمونه و معیار ارزیابی
۱) ماشه ایمیل (قطعی). ۲) کمینهسازی داده حساس (قطعی). ۳) طبقهبندی (مدل) ← بررسی enum؛ نامعتبر به صف. ۴) Switch بر اساس دسته (قطعی). ۵) در شاخه order_shipping: استخراج شماره (مدل) ← بررسی وجود در متن. ۶) خواندن وضعیت با HTTP (قطعی)؛ 404 به مسیر «پیدا نشد». ۷) تولید پیشنویس (مدل) با قالب آزموده. ۸) تأیید کارمند پیش از ارسال (انسان). ۹) ارسال (قطعی) با کلید ایدمپوتنسی.
- سه گام مدل با الگوی درست (1 امتیاز)
- بررسی بعد از هر گام مدل (1 امتیاز)
- مسیریابی و خواندن وضعیت قطعی (1 امتیاز)
- تأیید انسانی پیش از ارسال (1 امتیاز)
- یک گام مدل برای همه ← خطاها قابل ردیابی نیستند و نمیشود هر بخش را جدا سنجید.
فایلهای درس
مدل آزمایشی سازگار با OpenAI برای اجرای بدون هزینه
barg-sabz-mock-api.pyپیامهای ساختگی پشتیبانی
barg-sabz-tickets.csvراهنمای حالتهای مدل آزمایشی
barg-sabz-mock-api.README.mdهشت کار برای جایدادن در الگوها، با پاسخ
pattern-cards.mdابزارها و جایگزینها
- n8n 2.x — افزودن گام مدل — مسیر بدون نصب
- یک مدل زبانی — اجرای الگو — Ollama محلی — مدل آزمایشی داخل API آزمایشی
منابع
Building effective agents Anthropic 2024-12-19 (page notes tooling has changed since)
Information Extractor node n8n accessed 2026-10-20