核心 GUIDE
Orchestration Topology Trade-off
Loop、Graph、Supervisor 与 Parallel Worker 解决的是不同 Coordination Problem；Topology 应由真实 Dependency Structure 决定，而不是跟随 Architecture Fashion。
核心心智模型
Orchestration Topology 本质上是 Control-flow Decision。选择能够表达 Task Dependency、State Ownership、Retry Boundary 与 Verification 的最简单结构，不为不必要 Coordination 支付额外成本。
为什么重要
Multi-agent Diagram 很容易看起来复杂先进，却掩盖基本 Responsibility 问题。Linear Loop 比 Graph 更容易 Observe / Recover；只有当 Work 真正存在 Branch、Join、Independent Stage 或 Conditional Recovery 时，Graph 才开始有价值。Supervisor 能集中 Coordination，却可能成为 Bottleneck；Peer-to-peer Delegation 分散 Control，却会让 Global State 与 Accountability 更难。
01
用 Dependency 与 Failure Boundary 选择 Topology
先画 Task Dependency，不先画 Agent。一个 State Transition 自然接着另一个时，Loop / Sequence 通常足够。只有出现 Conditional Path 才增加 Branch，出现真正 Independent Work 才增加 Parallel Node，而且 Join 必须有清晰 Reconciliation Contract。选择 Coordination Mechanism 前先定义 Shared State Ownership、Retry 位置与谁负责验证 Completion。
02
例子：Research Pipeline 与 Open-ended Incident Response
Research Workflow 的 collect、extract、synthesize、verify 可能适合一个简单 Graph，其中 Evidence Gathering 有一条 Parallel Branch，再进入明确 Join。不断接收新 Observation 的 Incident-response Assistant 反而更适合一个 Bounded Loop：反复 Diagnose 与 Act。强行拆成许多 Agent 只会增加 Handoff，而不会创造真实 Independence。
常见失败模式
- 尚未识别真实 Task Dependency，就先选择 Multi-agent Graph。
- 增加 Supervisor Layer，但它只是重复 Shared State 已经可见的工作。
- Parallel Branch 没有 Deterministic Merge / Conflict Policy。
工程启发
- 先画 Data / State Dependency，再分配 Agent。
- 默认先用 Loop，直到 Branching / Independent Concurrency 有可测价值。
- 增加 Parallel Node 前先定义 Join、Retry 与 Ownership Semantic。
关键结论
- 01Topology 是 Workflow Structure 的结果。
- 02更多 Node 会带来更多 Coordination 与 Observability Cost。
- 03Simple Control Flow 是 Complex Orchestration 必须超越的 Baseline。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。