AI Agent 设计模式总结

Agent 不是一个单一的概念，而是一类系统的统称。在实际工程中，不同的任务类型对应不同的 Agent 设计模式。这篇笔记整理了几种主流的 Agent 架构模式。

---

一、ReAct 模式

ReAct = Reasoning + Acting，是目前最经典的 Agent 模式。

核心思路： LLM 在每一步都先”思考”（Reasoning），再”行动”（Acting），行动的结果作为观察（Observation）反馈回来，形成循环。

思考（Thought）: 用户想知道最新的 AI 新闻
行动（Action）: search_web("2026年AI最新动态")
观察（Observation）: [搜索结果返回...]
思考（Thought）: 已经得到结果，可以回答了
最终回答（Answer）: ...

适用场景： 需要多步信息收集和推理的任务，如信息检索、数据分析助手。

优点： 推理过程透明、可解释性强
缺点： Token 消耗多，循环次数难以控制

---

二、Plan-and-Execute 模式

核心思路： 把任务拆成两个阶段——先由 Planner 制定完整计划，再由 Executor 逐步执行。

用户任务 → [Planner LLM] → 生成步骤列表
                               ↓
              步骤1: 搜索背景资料
              步骤2: 整理关键信息
              步骤3: 撰写报告
                               ↓
                         [Executor]
                         逐步执行每个步骤

与 ReAct 的区别在于，Plan 阶段是一次性规划，而不是边做边想。

适用场景： 长任务、需要全局规划的场景，如自动写报告、代码生成项目。

代码示例（伪代码）：

# Planner：生成计划
plan = planner_llm.invoke(f"请为以下任务制定分步计划：{task}")

# Executor：逐步执行
for step in plan.steps:
    result = executor.run(step)
    memory.add(result)

final_answer = summarizer.invoke(memory.get_all())

---

三、Multi-Agent 协作模式

核心思路： 多个专职 Agent 各司其职，由 Supervisor 统一调度。

           ┌──────────────────┐
           │  Supervisor      │
           │  (路由决策)       │
           └────────┬─────────┘
                    │
      ┌─────────────┼─────────────┐
      ↓             ↓             ↓
[搜索Agent]   [代码Agent]   [写作Agent]
负责信息检索   负责代码生成   负责文档撰写

Supervisor 的核心逻辑：

def supervisor(state):
    # 根据当前任务决定派给哪个 Agent
    decision = llm.invoke([
        SystemMessage("你是协调员，决定下一步由哪个Agent执行"),
        *state["messages"]
    ])
    return {"next": decision.content}  # "search" | "coder" | "writer" | "FINISH"

适用场景： 复杂的企业级工作流，如客服系统、自动化研究助手。

---

四、Reflection 反思模式

核心思路： Agent 生成初稿后，由专门的 Critic Agent 进行评审，生成反馈，再由原 Agent 根据反馈修改，迭代直到质量满足要求。

[Generator Agent] → 生成初稿
        ↑                ↓
   修改优化        [Critic Agent]
        ↑                ↓
        └──── 反馈意见 ───┘

代码示例：

draft = generator.invoke(task)

for i in range(max_iterations):
    feedback = critic.invoke(f"请评审以下内容并给出改进建议：\n{draft}")

    if "满足要求" in feedback:
        break

    draft = generator.invoke(f"根据以下反馈修改内容：\n{feedback}\n\n原内容：{draft}")

return draft

适用场景： 对输出质量要求高的场景，如论文写作、代码审查。

---

五、Tool Use 工具调用

这是所有 Agent 模式的基础能力。现代 LLM 通过 Function Calling 机制调用外部工具。

工具定义示例（OpenAI 格式）：

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如'北京'"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

常见工具类型：

工具类型	用途	示例
搜索工具	获取实时信息	Tavily、Bing Search
代码执行	运行代码	Python REPL
数据库查询	读取结构化数据	SQL 执行器
API 调用	与外部服务交互	发邮件、查天气
文件操作	读写文件	读 PDF、写 CSV

---

六、记忆（Memory）系统

Agent 的记忆系统分为四种类型：

┌─────────────────────────────────────────────┐
│                 Memory 层次                  │
├─────────────────────────────────────────────┤
│  Sensory Memory  │ 当前输入（本次对话消息）    │
│  Short-term      │ 对话历史（最近N轮）         │
│  Long-term       │ 持久化存储（向量数据库）     │
│  Episodic        │ 过去任务的经验记录          │
└─────────────────────────────────────────────┘

向量记忆实现示例：

from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 存储记忆
vectorstore = Chroma(embedding_function=OpenAIEmbeddings())
vectorstore.add_texts(["用户喜欢简洁的回答", "用户是一名Python开发者"])

# 检索相关记忆
relevant_memories = vectorstore.similarity_search(query, k=3)

---

总结

模式	核心特点	适用场景
ReAct	边思考边行动	信息检索、问答
Plan-and-Execute	先规划后执行	长任务、复杂项目
Multi-Agent	多角色协作	企业工作流
Reflection	生成+评审迭代	高质量内容生成

实际项目中这些模式往往组合使用，比如用 Multi-Agent 框架搭建系统，每个子 Agent 内部用 ReAct 驱动，输出阶段加上 Reflection 保证质量。