本文介绍了AI Agent的几种主流设计模式包括ReAct、Plan Execute、ReWOO、LLM Compiler、反思与增强类架构以及LATS。通过分析这些模式的核心概念、工作原理、优缺点和典型应用场景帮助初学者理解AI Agent的设计思路为后续深入研究Claude Code等大模型打下基础。这些设计模式各有特点适用于不同的任务场景开发者可以根据实际需求选择合适的架构。ReAct (Reasoning and Acting)核心概念与工作原理ReAct架构的核心是其“思想-行动-观察”Thought-Action-Observation的交错循环 。在此范式下LLM不再是单纯地生成答案而是扮演了一个中央控制器的角色 。首先Agent通过“思想”Thought来分析任务、制定高层计划、分解子任务或处理异常情况。接着它将思想转化为“行动”Action即调用外部工具如搜索引擎、计算器或API 。当工具执行完毕后Agent获得环境返回的“观察”Observation并利用这些新信息来指导下一轮的“思想”和“行动”如此循环直到任务完成 。与纯粹的Chain-of-ThoughtCoT推理方法相比ReAct最本质的区别在于其将推理过程与外部世界进行了紧密结合。CoT仅依赖于模型内部知识进行逐步思考这在处理需要最新信息或外部验证的任务时极易陷入幻觉或错误传播ReAct通过交错式的工具调用将推理过程中的每一步都与现实世界的反馈进行核对从而显著提升了答案的准确性和可信度本质也就是强化学习。这种设计范式将LLM从一个“内容生成器”提升为“任务执行器”实现了从“开放式生成”到“闭环控制”的根本性转变。React 的设计想法并不难它就源自于你我日常解决问题的方法。 举个开发的例子嘛比如你写了一段程序类似思考了一番然后放到编译器里运行一下类似 Action执行某种动作然后得到运行结果来自现实环境的反馈再然后通过观察看看运行结果来决定下一步动作是修复细节问题呢还是不修了退出编程循环提交代码。其实再抽象一层这是所有人解决问题的一般“方法论”。就是实践 - 认识 - 再实践 - 再认识 - …对于一些刚接触的同学肯定都会有个疑惑为啥大模型的 API 通常都是无状态的也就是大模型并不认识你或者存储你的记忆React 是如何转动的详细优缺点分析优点 ReAct架构的动态适应性极强能够根据实时的环境观察灵活调整其行动计划有效应对不确定性和突发情况事实上后面所有的设计模式本质都是基于 ReAct 的。其显式的推理轨迹使得整个决策过程高度可解释这不仅便于开发者进行调试也增强了用户对Agent的信任度。缺点 每次工具调用都需要进行一次LLM推理这导致ReAct的执行速度相对较慢并会产生高昂的Token消耗。此外由于其每次只规划下一步这种“规划近视”可能导致Agent陷入局部最优解而无法找到全局最优的行动路径。典型应用场景ReAct架构非常适合需要与外部环境进行持续交互的场景。例如在知识密集型问答任务中Agent可以利用搜索引擎API动态检索信息以验证和补充其内部知识尤其是那种需要反复查阅的复杂问题不是现在很多聊天应用上简单的“联网回答”功能。在模拟游戏环境或网页浏览等需要多步交互和决策的任务中ReAct也能够灵活地进行路径探索和任务完成。Plan Execute核心概念与工作原理Plan Execute计划与执行架构的出现是对ReAct高成本和低效率问题的一种直接回应。其核心思想在于将Agent的工作流明确地分为两个独立的阶段一个由功能强大的LLM负责的“规划”阶段和一个由更轻量级或特定模型负责的“执行”阶段。在规划阶段LLM一次性生成一个详细的、多步骤的静态计划。随后执行器会根据这个计划逐一完成每个步骤而无需每次都调用大型LLM进行决策。与ReAct的主要区别在于ReAct是动态的、反应式的每一步都可能重新规划这赋予了其灵活性而Plan Execute则是静态的、预先确定的。它牺牲了ReAct的实时适应性换来了更高的执行效率和更低的运营成本。这种设计模式通过将“智慧”规划与“体力”执行解耦为Agent的实际工程化提供了更具成本效益和可控性的方案。这个图和他的解释其实对不上我在调研的时候也比较奇怪。不过这个模式也不是重点大家了解下知道就行。 有兴趣可以参考 langchain 的这个文章详细优缺点分析优点 该架构显著减少了对昂贵大型LLM的调用次数仅在初始规划和当计划失败需要重新规划时才使用执行阶段可以利用更小、更快的模型从而实现了更高的效率和成本节约。同时由于它强制LLM在任务开始时就进行全局思考有助于避免ReAct可能出现的局部最优问题 。缺点 其主要局限在于鲁棒性较差。由于计划是静态的Agent无法在执行过程中动态应对突发状况或错误一旦某个步骤失败除非重新启动整个规划流程否则无法继续 。此外许多Plan Execute的实现仍依赖于串行执行效率仍有提升空间 。典型应用场景Plan Execute架构适用于流程相对固定但步骤繁多、需要调用多种工具的复杂任务。例如自动化报告生成、数据分析工作流或保险理赔处理。 朋友 在这种预先定义的工作流中LLM用于处理每个子任务中的模糊性而整体流程则由静态计划严格控制 。REWООO (Reasoning Without Observation)核心概念与工作原理ReWOOReasoning Without Observation无观察推理是Plan Execute架构的一种高效变体。其核心理念在于Planner一次性生成一个完整的、包含变量占位符的计划然后Worker根据该计划执行并由Solver进行结果汇总 。Planner的输出不仅包含推理步骤还包括带变量赋值的工具调用例如#E1 Tool[argument]。其中的变量如#E1代表前一步骤的输出可以在后续步骤中直接引用从而实现了数据的高效传递 。ReWOO与Plan Execute的根本区别在于对变量的支持。传统的Plan Execute在步骤间传递信息效率低下而ReWOO通过引入变量避免了在每个子任务执行后再次调用LLM进行数据传递和重新规划从而显著提升了流程效率 。这种设计模式将编译原理中的“变量”概念引入自然语言计划实现了更高效的数据流编排。详细优缺点分析优点 ReWOO通过一次性规划整个任务链避免了ReAct中反复调用LLM所产生的冗余提示词和历史上下文因此显著减少了Token消耗提高了Token效率。此外由于规划数据在理论上不依赖于工具的实时输出该架构简化了模型的微调过程 。缺点 尽管引入了变量但其任务执行本质上仍是串行的无法充分利用可以并行的任务 。与Plan Execute类似ReWOO的容错能力也较弱一旦某个任务执行失败整个流程可能会中断需要重新开始 。典型应用场景ReWOO架构特别适用于需要链式调用工具来获取信息且工具之间需要传递数据。例如一个多步骤的知识问答任务如“查询某超级碗球队的四分卫数据”就需要先查询球队信息再用结果作为输入去查询四分卫数据。此外它也适用于文档摘要和信息提取任务通过规划多个步骤来处理文档的不同部分然后将结果汇总。这个 ReWoo 就想加快工具的使用并且节省 Token 的目的。 但是他好像没有考虑「根据现实反馈调整策略」这一个特性和 Plan Execute 一样了。也就是没用循环了直接退出了。说实话他说他是基于 React 的我觉得实在是牵强怎么能开历史倒车呢LLM Compiler核心概念与工作原理LLM Compiler架构被设计为进一步提升任务执行速度其核心思想是让Planner生成一个任务的有向无环图DAG而非简单的列表 。这个任务图清晰地定义了所有任务、所需的工具、参数以及任务间的依赖关系。一个独立的任务调度单元会根据这个DAG自动并行执行所有依赖已满足的任务从而实现最大化的并发执行提供显著的速度提升 。需要明确的是LLM Compiler这一术语存在概念上的混淆。它既指由Meta发布的、专注于代码优化和编译器推理的预训练模型 也指一种创新的Agent架构 。本报告所讨论的是后者即利用LLM生成任务图并进行高效并行执行的框架。LLM Compiler与ReWOO最根本的区别在于它从根本上解决了ReWOO的串行执行限制通过DAG将任务的执行从串行提升到了并行 。这标志着Agent架构的设计开始融合计算机科学中成熟的系统工程和算法优化思想而非仅仅模仿人类的思维过程。详细优缺点分析优点 通过并行调用工具LLM Compiler能够实现极高的执行效率相比其他规划类方法可获得显著的速度提升论文中宣称可达3.6倍 。这种速度提升也带来了成本节约因为减少了总体执行时间 。此外任务图的结构化输出便于理解和调试提高了可解释性 。缺点 该架构的工程实现难度较高需要构建复杂的任务调度单元和依赖管理机制 。与所有预规划架构类似LLM Compiler也面临单点任务失败可能导致整个流程中断的风险鲁棒性仍然是其面临的挑战。典型应用场景LLM Compiler架构非常适合需要同时获取多项独立信息或调用多个API以完成任务的场景。例如电商比价、多源数据整合或需要并发执行多个子任务以加速整体流程的应用 。说实话这后三个我感觉比较类似他们俩的优化核心其实在于React 太消耗 token 了并且太慢了。你想如果我们需要去读10个文件或者说做10个同样操作的事情。这样一个过程对于对 React 来说需要至少使用10次以上。于是他就通过构建 类似工作流的形式 去加速哎 …但 React 的核心优势就是用 “强化学习” 的思路获取了真实环境的反馈像 REWООO 就舍弃了这一点。我认为基本上可以放弃这种方式了他没法避免大模型幻觉问题。反思与增强类架构深度剖析反思与增强类架构的核心在于赋予Agent自我评估和从经验中学习的能力。它们超越了简单的规划执行让Agent能够像人类一样进行自我批判、试错学习和元认知从而实现持续的性能提升。Basic Reflection (基础反思)核心概念与工作原理基础反思架构的核心思想是在任务完成后显式地要求LLM对自己的输出进行“反思”和“批判” 。这种反思可以基于LLM自身的内在知识也可以结合外部反馈如代码编译错误或单元测试结果 。Agent会利用这些批判性意见来指导新一轮的生成或行动从而通过迭代循环来优化结果 。这种方法旨在自动化人类的“System 2”思维过程即将有意识、有条理的思考作为LLM工作流的一个独立步骤而不是被动地等待人类反馈 。与传统方法相比基础反思的最大不同在于它将反思明确地作为Agent工作流中的一个可编程步骤。这利用了LLM的元认知能力即模型能够思考其自身的思考过程并根据其内在逻辑进行自我纠正。详细优缺点分析优点 即使是简单的自反思循环也能在代码生成和文本创作等任务中带来显著的性能提升 。这种方法可以帮助LLM减少输出中的偏见、毒性和政治立场倾向从而提升其安全性与中立性 。缺点 如果反思过程缺乏有效的外部反馈如环境奖励或错误信息Agent可能会陷入低效的自我循环中无法找到正确的解决方案 。这种固定的循环模式可能不足以应对极其复杂的、需要深度试错才能解决的任务 。典型应用场景基础反思最典型的应用场景是需要迭代优化的创作或编程任务。例如在文本创作中Agent也可以在完成初稿后根据预设的批判性标准如逻辑一致性、内容完整性进行自我评审和修正 。这种设计模式他也是基于 React 的算是一个重大分支他的希望能够去减少大模型幻觉带来的影响只不过他这个检测方式吧它不是来自于工具调用真实世界的反馈而是让另一个模型直接去“挑刺”。 也就是说她的应用场地可能无法快速地冲工具箱里面去得到真实的反馈。或者这个工具要用非常的昂贵。以至于他必须经过一系列反思才能决定去使用。比如说最近使用的例子就是写文章或者这种主观判断特别多的场景。非常适合这种左右互搏。Reflexion (强化反思)核心概念与工作原理Reflexion框架将基础反思提升到了一个更高级的层次。它将“语言反馈”作为一种强化学习的替代品让Agent通过跨试验trial的试错学习来不断改进其行为 。该框架利用一个“评估器”来判断当前行动轨迹的成功或失败然后由一个“反思器”生成一段文本化的反思。这段反思作为“动态记忆”被存储起来并在下一次尝试中被用作上下文以指导Agent避免重复过去的错误 。Reflexion与基础反思的区别在于其引入了“动态记忆”和跨试验的学习机制 。基础反思通常局限于单次任务内的迭代而Reflexion则通过累积并利用过去的成功与失败经验实现Agent在多个任务尝试之间的持续改进。这种将语言作为一种通用“强化信号”的范式解决了Agent在长轨迹任务中常犯的“重复性错误”和“幻觉循环”问题 。注在某些文献中该架构的拼写可能出现“Reflextion”的变体但其原始论文和主流社区所使用的正确名称为“Reflexion”。详细优缺点分析优点 Reflexion无需对底层模型进行微调仅通过文本反馈就能实现显著的性能提升 。它在需要多次尝试才能成功的复杂任务如编程、顺序决策上表现出色成功率远超基础的ReAct 。此外由于其记忆是显式的反思文本Agent的“学习”过程透明可追踪提供了更高的可解释性 。缺点 该框架的有效性高度依赖于LLM能否准确评估自己的表现并生成有用的反思 。尽管引入了记忆但对于极其复杂的任务滑动窗口或有限容量的记忆仍是Agent长期发展的瓶颈 。典型应用场景Reflexion架构非常适用于需要从失败中汲取教训以找到解决方案的复杂任务。在类似AlfWorld这样的多步、高难度环境中Agent可以通过记忆过去的失败路径来避免重复犯错从而找到正确的行动序列。在编程和代码生成任务中Reflexion Agent可以从编译错误和测试失败中学习从而编写出更高质量的代码在HumanEval等基准测试上甚至超越了无反思的GPT-4基线 。LATS (Language Agent Tree Search)核心概念与工作原理LATSLanguage Agent Tree Search是LLM Agent架构的集大成者它将语言模型的推理能力与经典的**蒙特卡洛树搜索MCTS**算法完美结合创造了一个能够探索多条可能路径并进行深度决策的框架 。LATS将LLM作为Agent、价值函数和优化器通过树状搜索同时探索多个ReAct序列并利用自反思和外部反馈来评估和回溯最优路径 。LATS与Self-Discover的区别在于Self-Discover是为任务寻找一条最佳的“思考路径”然后单路径执行而LATS则是通过多路径探索来寻找最佳的“行动序列” 。它在每次决策点都生成多个可能的行动分支并根据其价值评估进行权衡从而避免在单一路径上陷入困境。这种多路径探索与反思的结合使其在复杂决策空间中表现出卓越的鲁棒性。详细优缺点分析优点 LATS能够在复杂决策空间中进行深度探索有效避免在单一路径上陷入死胡同或重复循环 。该架构在编程、问答和网页浏览等任务上均表现出优越的性能和通用性 。它有机地融合了ReAct的行动能力、Reflexion的反思反馈和树状搜索的规划优势是一种综合性的强大架构 。缺点 探索多条路径需要大量的LLM调用导致Token消耗和计算成本极高这成为了该架构的核心瓶颈 。此外LATS的成功依赖于环境能够支持“回溯”即回到过去的某个状态这在大规模的现实应用中可能难以实现 。典型应用场景LATS架构特别适用于需要深度探索和权衡多种可能性的复杂决策任务例如复杂策略规划、多步编程等。它的出现标志着Agent的智能水平达到了一个新高度即能够进行深思熟虑的、多维度的决策。总结总结来看通用场景React 作为最基础的设计模式他的本身其实很简单的但是因为他每次限定了自己只能执行一个程序因此他也是比较慢的。因此呢出现了一些性能优化比如工具并行执行但是如果要想保持优化的同时也保留 React 灵活调整的策略就需要打破每次只能执行一个工具的限制。这也是 Plan Execute 和 LLM Compiler所做的事。更进一步呢如果我们希望工具之间能够进行信息传输可以使用 REWООO但是这一些请交给 LLM 去计划做出工作流的话产品化之路会很艰难。我们整个设计的核心还是希望能够获取到一些真实情况的反馈用于监督和避免模型出现幻觉的情况。比如编程领域。 但是并不是每次我们都能够简单地构造出这样的反馈或者说很多时候我们并没有一个客观的评价标准比如说写文章。这个时候我们就需要大模型进行一些自我纠正以保证整体的结果更能 Match 到用户的意图。 就是 Basic Reflection 和 Reflexion除此之外我们还需要他去解决一些探索性的问题。那么对于这种情况我们希望他足够发散并且发展想法进行具体落实就是 LATS这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容