你有4种方法来解决问题。每种听起来都有说服力，但没有一种可以不经实验就排除。经典方法——逐一尝试。但当每个选项需要3-6小时的数据准备时，顺序测试会延伸到几周。在SuperSlide中，我决定并行运行所有选项——并将每个流程委托给单独的智能体。
任务
SuperSlide从文本制作演示文稿。我们有57个模板——从cover_dark到roadmap_horizontal。LLM需要理解”销售增长30%“是带KPI块的幻灯片，不是项目符号列表。
第一个版本通过OpenRouter工作。我给模型一个文本目录描述，它选择合适的选项。结果——60%的准确率。剩下的40%——重复最喜欢的布局或不合适的格式。
需要更好的方法。哪种——不清楚。
我测试的4种方案
方案A——当前基线。 LLM以文本形式获取模板目录，按描述选择，填充占位符。简单，但模型”粘”在57个中的5-6个最喜欢的布局上。
方案B——用示例代替描述。 模型获得57个填充好的示例，而不是带{{PLACEHOLDER}}的空模板。假设：具体比抽象教得更好。
方案B2——Qdrant + 语义搜索。 每个模板获得semantic_description（“3个数字指标，KPI指标，季度结果”）并在Qdrant中索引。逻辑：POST /api/context/semantic → 搜索最近的模板 → 过滤重复。假设：让向量搜索决定，而不是LLM。
方案C——组件。 模板分解为48个原子块：背景（bg_dark_rings，bg_gradient），标题（comp_title_hero），内容（comp_kpi_block，comp_bullets，comp_table）。每个都有constraints，compatible_with[]，grid_area。LLM从积木中组装幻灯片。假设：灵活组装带来更多多样性。
我如何并行运行
每个选项的数据准备需要2到6小时。手动顺序执行——一周的工作。我将每个流程委托给Claude Code中的单独智能体。
对于方案B2，我发送了这个提示：
为57个幻灯片模板准备Qdrant索引数据。
为每个模板创建：
- semantic_description（2-3句话，视觉和内容描述）
- best_for（3-5个用例）
- never_for（限制）
- visual_tags[]（过滤标签）
格式：SQL INSERT到slide_templates表。
参考/var/www/superslide/templates/中的HTML对于组件方案——不同的智能体，不同的提示：
将36个最复杂的模板分解为原子组件。
每个组件：html_fragment、css_classes、description、
constraints（max_text、max_items、needs_number）、
compatible_with[]、grid_area。
格式：SQL INSERT到slide_components表。路由基础设施——带有Switch节点的n8n工作流。用户通过单选按钮选择方案，请求进入正确的分支。
我测量了什么
日志写入generation_log表。我跟踪：
- 演示文稿中唯一模板的数量
- 类别多样性（幻灯片类型覆盖率）
- 主题交替（深色/浅色背景）
- 生成时间
- 使用的方案
每个选项5次测试生成——20次运行。足以看到模式。
我学到了什么
语义搜索（B2）给出了最好的模板多样性。Qdrant不会”粘”在热门布局上——12张幻灯片的演示文稿中平均9-11个唯一模板，而基线是4-5个。但需要精确的描述：如果semantic_description写得不好，最近的向量就会出错。
示例（B）比基线效果更好，但模型开始从示例中复制内容而不是生成新内容。不得不在提示中明确添加：“使用结构，而不是内容”。
组件（C）给出了最大的灵活性，但也产生了最多的组装错误。尽管有compatible_with[]，LLM有时会组合不兼容的块。
最重要的——并行执行比顺序测试节省了4-5天。
什么时候不需要并行测试
如果你有2个选项，其中一个明显更简单——从简单的开始。并行测试在以下情况下合理：
- 有3个或更多选项
- 没有一个可以不经实验就排除
- 每个的数据准备需要几小时，而不是几分钟
- 你有委托的能力（智能体、团队）
20分钟就能验证假设？不要为并行执行构建基础设施。
常见问题
为什么没有将Function Calling（tools）作为单独选项？
那是方案D。但它需要API中的tools支持。claude -p不直接支持tools，需要使用OpenRouter。这增加了一个干扰纯净比较的变量。
20次测试生成花了多少钱？
通过OpenRouter使用Claude模型大约3-4美元。数据准备成本（智能体tokens）——另外约8-10美元。总计不到15美元，完成了4种架构方案的完整验证。
最终选择了哪种方案？
B2 + C元素的混合。语义搜索用于模板选择，组件约束用于兼容性验证。纯组件方案太脆弱，纯语义方案不控制组装质量。
没有Claude Code也能这样测试吗？
可以，使用任何允许运行独立工作流的工具。关键不在于具体工具，而在于分解：每个选项是一个隔离的任务，有明确的输入和输出。