智能体设计模式

概述

将目前最重要的智能体设计模式总结为四大类，它们是构建高质量智能体系统的核心"积木"。

图示文件：agentic_design_patterns.png

模式	核心思想	适用场景
反射（Reflection）	AI 审查并改进自己的输出	需要高质量输出的任务
工具使用（Tool Use）	AI 调用外部工具获取信息/执行操作	需要实时信息或真实世界交互
规划（Planning）	AI 将复杂任务分解为子步骤并执行	多步骤、长任务
多智能体（Multi-Agent）	多个 AI 协作完成复杂任务	并行处理、需要专家分工

模式一：反射（Reflection）

核心思想

让 AI 生成输出后，再审查自己的输出，发现问题并改进，循环直到满意。

类比：好的作家不会写完就交稿，会反复修改；好的程序员会 review 自己的代码。

工作流

[生成] → 初始输出（草稿） ↓ [反思] → “这个输出有什么问题？哪里可以改进？” ↓ [改进] → 修改后的输出 ↓ [判断] → 质量是否达标？ ↓ 否 ↓ 是 回到[反思] 输出最终结果

代码示例（伪代码）

def reflection_agent(task: str, max_iterations: int = 3) -> str: output = llm.generate(task)

for i in range(max_iterations):
    critique = llm.generate(
        f"请审查以下内容，找出不足并给出改进建议：\n{output}"
    )
    if "已达到高质量标准" in critique:
        break
    output = llm.generate(
        f"根据以下建议改进内容：\n{critique}\n\n原内容：\n{output}"
    )

return output

变体：外部反馈型反射

除了自我反思，还可以引入：

代码执行反馈：运行生成的代码，把报错信息反馈给 AI 进行修复 测试结果反馈：跑单元测试，把失败的测试反馈给 AI 搜索结果反馈：用搜索结果验证 AI 的陈述是否正确

模式二：工具使用（Tool Use）

核心思想

给 AI 装备"外挂工具"，让它能够访问训练数据之外的信息，并执行真实世界的操作。

常见工具类型

信息获取类： ├── Web Search（网络搜索） ├── Wikipedia API ├── 数据库查询（SQL） └── 文件读取

计算执行类： ├── Python 代码执行器 ├── 计算器 └── 数据分析工具

操作执行类： ├── 发送邮件/消息 ├── 写入文件/数据库 ├── 调用第三方 API └── 浏览器自动化

工具调用流程（Function Calling）

用户：今天上海天气怎么样？

LLM 分析：需要调用天气 API ↓ 生成工具调用： { “tool”: “get_weather”, “params”: {“city”: “上海”, “date”: “today”} } ↓ 执行工具，获取结果： {“temperature”: 28, “weather”: “晴”, “humidity”: 65} ↓ LLM 基于结果生成回答： “今天上海天气晴，气温28°C，湿度65%，适合出行。”

MCP（Model Context Protocol）

MCP 是 Anthropic 推出的标准化工具接入协议，让 AI 能够以统一方式调用各种工具和数据源，正成为行业标准。

模式三：规划（Planning）

核心思想

面对复杂任务，AI 先制定完整计划，再逐步执行，并根据执行结果动态调整计划。

两种规划方式

方式一：预先规划（Plan-then-Execute）

接收任务 ↓ [规划阶段] 生成完整执行计划（步骤1→2→3→…） ↓ [执行阶段] 按计划逐步执行 ↓ 输出结果 优点：整体一致性强 缺点：计划无法动态调整

方式二：ReAct 模式（Reasoning + Acting）

接收任务 ↓ 思考：下一步该做什么？ ↓ 行动：执行一个工具调用 ↓ 观察：查看工具返回结果 ↓ 思考：基于结果，下一步该做什么？ ↓ （循环）… ↓ 思考：任务已完成 ↓ 输出最终答案 优点：灵活，能根据中间结果调整策略 缺点：可能陷入循环或方向偏移

ReAct 示例

任务：找出2024年全球前三大半导体公司的市值

思考：需要搜索最新的半导体公司市值数据 行动：search(“2024年全球半导体公司市值排名”) 观察：搜索结果显示英伟达、台积电、三星…

思考：需要获取具体市值数字 行动：search(“NVIDIA市值 2024”) 观察：英伟达市值约 3.3 万亿美元

思考：继续获取台积电和三星数据 行动：search(“TSMC市值 2024”) 观察：台积电市值约 9000 亿美元

… （继续执行）

思考：数据已收集完整，可以整理答案 输出：2024年全球前三大半导体公司…

模式四：多智能体（Multi-Agent）

核心思想

将复杂任务分配给多个专业化的智能体，它们分工合作，各自完成擅长的子任务。

为什么需要多智能体？

专业化：不同智能体专注不同领域，表现更好 并行化：多个智能体同时工作，速度更快 上下文管理：避免单个智能体上下文过长导致性能下降 可扩展：可以动态增减智能体数量

常见架构

层级架构（Hierarchical）：

[编排智能体（Orchestrator）] ↓ ┌─────┼─────┐ ↓ ↓ ↓ [搜索 [分析 [写作 智能体] 智能体] 智能体] 对等协作架构（Peer-to-Peer）：

智能体A ←→ 智能体B ↑ ↑ └─── 智能体C ┘ 流水线架构（Pipeline）：

智能体A → 智能体B → 智能体C → 输出 （数据收集）（分析） （报告生成）

实际案例：代码开发多智能体

用户需求 ↓ [产品经理智能体] → 功能规格文档 ↓ [架构师智能体] → 技术设计方案 ↓ [开发智能体A] [开发智能体B] ← 并行开发 （前端） （后端） ↓ ↓ [测试智能体] ← 集成代码 ↓ [代码审查智能体] → 改进建议 ↓ 最终代码

四种模式的组合使用

在实践中，这四种模式通常组合使用：

复杂任务 ↓ [规划] 制定执行计划 ↓ [多智能体] 分配给专业智能体 ↓ 每个智能体使用 [工具] 完成子任务 ↓ [反射] 各智能体审查自己的输出 ↓ 汇总，整合输出

选择设计模式的参考

任务特征	推荐模式
输出质量要求高	反射
需要最新信息	工具使用
任务步骤超过 5 步	规划
任务需要不同专业知识	多智能体
上述情况组合	多种模式组合