■ 워크플로 5패턴

prompt chaining : 앞 호출의 출력을 다음 호출이 처리하는 순서다. 중간 단계에 코드 검사(gate)를 둬 궤도를 확인한다 [1.3②]

쓰는 때는 일이 고정 하위작업으로 쉽고 깔끔히 나뉠 때다. 목적은 각 호출을 쉬운 일로 만드는 것이다. 지연을 감수하고 정확도를 얻는다

예 : 마케팅 문구를 쓴 뒤 번역한다. 개요를 쓰고, 기준을 검사하고, 본문을 쓴다

긴 프롬프트에서 일부 제약을 계속 무시하면, 1차로 생성하고 2차로 "고치기 전용" 호출을 둔다. 단계 사이에 LLM 아닌 처리도 넣을 수 있다 (Skilljar)

routing : 입력을 분류해 전문 후속 작업(프롬프트·도구)으로 보낸다. 관심사를 분리한다. 분리하지 않으면 한 종류에 맞춘 최적화가 다른 입력을 해친다 [1.3②]

쓰는 때는 따로 다루는 게 나은 뚜렷한 범주가 있고, 분류가 정확히 될 때다(LLM 또는 전통 분류 모델)

예 : 고객 문의(일반 · 환불 · 기술 지원)를 서로 다른 후속 처리로 보낸다. 쉬운 질문은 작은 모델(Haiku 4.5)로, 어려운 질문은 더 강한 모델로 보낸다

입력은 한 경로로만 간다. 분류 단계의 부담보다 전문 처리 이득이 커야 한다 (Skilljar)

검색 질의를 index 로 보내는 routing 은 ■ 질의 패턴별 검색 에서 다룬다

parallelization : 여러 호출을 동시에 돌리고 코드가 합친다 [1.3②]

나눠 돌리기(sectioning)는 독립 하위작업을 돌려 속도를 얻는다. 다수결(voting)은 같은 일을 여러 번 돌려 여러 관점·시도로 신뢰도를 얻는다

고려할 게 여럿이면 하나씩 따로 호출하는 편이 대개 낫다(각자 집중한다)

예는 셋이다

• 한 인스턴스는 답하고, 다른 인스턴스는 부적절 여부를 선별한다(가드레일). 한 호출이 둘 다 하는 것보다 낫다
• 여러 프롬프트로 코드 취약점을 검토한다
• 여러 관점·투표 기준으로 부적절 여부를 판정한다

병렬 하위작업은 똑같을 필요가 없다. 각자 프롬프트·도구·기준을 가진다 (Skilljar)

orchestrator-workers : 중앙 LLM 이 동적으로 나누고, worker LLM 에 맡기고, 결과를 합친다 [1.3②]

쓰는 때는 필요한 하위작업을 예측 못 하는 복잡한 일이다. 예는 코딩(바꿀 파일 수·내용이 과제에 따라 다르다)과 여러 출처를 모아 분석하는 검색이다

parallelization 과 모양은 비슷하다. 차이는 하위작업이 미리 정해지지 않고, 입력에 따라 orchestrator 가 정한다는 점이다

여러 에이전트로 갈지는 ◆ 단일 vs 멀티 에이전트 에서 다룬다

evaluator-optimizer : 한 호출이 만들고 다른 호출이 평가·피드백한다. 이것을 루프로 돈다 [1.3②]

쓰는 때는 평가 기준이 뚜렷하고, 되풀이 다듬기가 측정 가능한 이득을 낼 때다. 이 패턴이 맞는다는 신호는 둘이다

• 사람이 피드백하면 나아진다
• LLM 이 그런 피드백을 줄 수 있다

예 : 문학 번역, 그리고 더 찾을지 evaluator 가 정하는 여러 번의 검색이다

이미지로 CAD 모델을 만들고, 렌더해서 원본과 채점한다. 통과할 때까지 반복한다 (Skilljar)