并行化模式（Parallelization）

复杂智能体任务通常包含多个可以同时执行的子任务，而不是一个接一个地串行处理。此时就需要并行化设计模式。

并行化是指同时执行多个组件，比如 LLM 调用、工具使用，甚至整个子智能体。与等待上一步完成再开始下一步不同，并行执行允许独立任务同时运行，大幅缩短可拆分任务的整体执行时间。

核心思想：识别无依赖的子任务，同时执行，最后汇总结果

1774347905410

串行 vs 并行对比

以"研究某主题并总结结果"为例：

串行流程：

搜索来源 A
总结来源 A
搜索来源 B
总结来源 B
综合 A 和 B 的摘要，生成最终答案

并行流程：

同时搜索来源 A 和 B
两个搜索完成后，同时总结来源 A 和 B
综合 A 和 B 的摘要，生成最终答案（仍然串行，因为需等待前两步完成）

串行：A₁ → A₂ → B₁ → B₂ → 汇总     （总耗时 = 所有步骤之和）

并行：A₁ ──→ A₂ ──┐
      B₁ ──→ B₂ ──┴→ 汇总            （总耗时 ≈ 最慢分支 + 汇总）

并行化的核心思想是识别流程中彼此无依赖的部分，并将它们并行执行。尤其是涉及外部服务调用（如搜索、数据库查询、API 请求）有延迟时，可以同时发起多个请求，显著提升效率。

实践应用与场景

并行化是优化智能体性能的强大模式，适用于多种场景：

1. 信息收集与调研

同时从多个来源收集信息是典型用例。

应用场景：智能体调研某公司
并行任务：同时搜索新闻、拉取股票数据、检查社交媒体、查询公司数据库
优势：比串行查找更快获得全面视角

2. 数据处理与分析

并行应用不同分析方法或处理不同数据片段。

应用场景：智能体分析客户反馈
并行任务：同时进行情感分析、关键词提取、分类、紧急问题识别
优势：快速获得多维度分析结果

3. 多 API 或工具交互

并行调用多个独立 API 或工具，获取不同信息或执行不同操作。

应用场景：旅行规划智能体
并行任务：同时查机票、酒店、当地活动、餐厅推荐
优势：更快生成完整旅行方案

4. 多组件内容生成

并行生成复杂内容的不同部分。

应用场景：智能体创建营销邮件
并行任务：同时生成主题、正文、图片、CTA 按钮文案
优势：更高效地组装最终邮件

5. 验证与校验

并行执行多个独立校验任务。

应用场景：智能体验证用户输入
并行任务：同时检查邮箱格式、手机号、地址数据库校验、敏感词检测
优势：更快反馈输入有效性

6. 多模态处理

并行处理同一输入的不同模态（文本、图片、音频）。

应用场景：智能体分析带图片的社交媒体帖子
并行任务：同时分析文本情感与关键词、图片中的物体与场景
优势：更快整合多模态洞察

7. A/B 测试或多方案生成

并行生成多个响应或输出，便于选择最佳方案。

应用场景：智能体生成多种创意文案
并行任务：同时用不同 prompt 或模型生成三种标题
优势：快速对比并选出最佳选项

并行化是智能体设计中的基础优化技术，开发者可通过并发执行独立任务，构建更高性能、更具响应性的应用。

关键要点

主要结论如下：

并行化是一种通过并发执行独立任务提升效率的设计模式
尤其适用于涉及外部资源（如 API 调用）等待的场景
并发/并行架构会增加设计、调试和日志等开发复杂度与成本
LangChain、Google ADK 等框架均支持并行执行定义与管理
LCEL 中 RunnableParallel 是并行运行多个 runnable 的关键构造
Google ADK 可通过 LLM 驱动的委托，实现协调智能体并行处理子任务
并行化可显著降低整体延迟，让智能体系统在复杂任务下更具响应性

代码示例

示例 1：LangChain 实现（3.1并行化示例_LangChain.py）

在 LangChain 框架中，并行执行由 LangChain Expression Language（LCEL）实现。主要方法是将多个 Runnable 组件结构化为字典或列表，当这些集合被传递给链中的下一个组件时，LCEL 运行时会并发执行其中的 Runnable。在 LangGraph 中，这一原理体现在图的拓扑结构——通过设计图结构，使多个无直接依赖的节点可由同一节点并发启动，这些并行路径独立执行，结果在后续汇聚节点整合。

示例流程：针对单一主题，并发执行三个独立任务，最后汇总：

                  ┌→ [摘要链] ────┐
主题 → RunnableParallel ├→ [问题链] ────┼→ [汇总 Prompt] → LLM → 最终结果
                  └→ [关键词链] ──┘

三条独立链：分别负责主题摘要、问题生成、关键词提取，每条链由 ChatPromptTemplate | LLM | StrOutputParser 组成
RunnableParallel：将三条链打包并发执行，同时用 RunnablePassthrough 保留原始输入
汇总链：整合 summary、questions、key_terms 和 topic，由 LLM 生成综合答案

注意：asyncio 提供的是并发而非真正的并行——它通过事件循环在任务空闲（如等待网络请求）时智能切换，实现多个任务"同时"推进，但实际仍在单线程下受 GIL 限制。

示例 2：Google ADK 实现（3.2并行化示例_GoogleADK.py）

Google ADK 框架提供了 ParallelAgent、SequentialAgent 等原语，用于构建高效并发智能体流程。

示例流程：三个调研智能体并行调研，完成后由合并智能体生成报告：

                          ┌→ [可再生能源调研员] ──┐
SequentialAgent → ParallelAgent ├→ [电动汽车调研员] ────┼→ [合并智能体] → 结构化报告
                          └→ [碳捕集调研员] ────┘

三个 LlmAgent 调研员：分别聚焦可再生能源、电动汽车、碳捕集，各自使用 google_search 工具，摘要结果通过 output_key 存入 session state
ParallelAgent：并行运行三位调研员，调研任务同步进行
LlmAgent（合并）：整合调研结果，要求输出仅基于输入摘要，结构化分段，不添加外部知识
SequentialAgent：串行执行"并行调研 → 结果整合"，作为主流程入口

两种实现的核心区别

对比	LangChain	Google ADK
并行原语	`RunnableParallel`（字典/列表结构）	`ParallelAgent`（智能体容器）
串行控制	LCEL 管道 `\|`	`SequentialAgent`
结果传递	字典键值自动传递	`output_key` 写入 session state
适用场景	链式组合，灵活轻量	多智能体协作，结构化流程