Agent 设计模式总览

目录

序号 模式 核心思想 适用场景
01 ReAct 思考→行动→观察，交替进行 需要工具和外部信息的多步任务
02 Plan-and-Execute 先制定完整计划，再逐步执行 复杂多步骤任务，可并行子任务
03 Reflection 生成→反思→改进，迭代优化 需要高质量输出的生成任务
04 Multi-Agent Collaboration 多专业 Agent 协作完成任务 需要多领域协作的复杂项目
05 Tool Use / Function Calling Agent 调用外部工具获取能力 所有需要外部数据/操作的场景
06 Memory-Augmented 持久化记忆，跨会话保持上下文 个性化助手、长期交互
07 Tree of Thoughts 探索多条推理路径，选择最优 需要创造性或策略性思考的难题
08 Self-Ask 拆解为子问题，逐步自问自答 多跳问答、对比分析
09 Router / Subagent 意图路由到专业子代理处理 多功能平台、多领域服务

模式关系图

flowchart TD
    Router["Router / Subagent<br/>入口路由"]
    
    Router --> 单一Agent
    Router --> 协作Agent
    Router --> 记忆Agent

    subgraph 单一Agent
        ReAct
        Plan-Exec["Plan & Execute"]
        Reflection
        Tree-of-Thoughts["Tree of Thoughts"]
        Self-Ask["Self-Ask"]
    end

    subgraph 协作Agent
        Multi-Agent["Multi-Agent<br/>Collaboration"]
    end

    subgraph 记忆Agent
        Memory-Augmented["Memory-Augmented"]
    end

    单一Agent -.-> ToolUse["Tool Use<br/>(基础能力)"]
    ReAct -.-> ToolUse

如何选择模式

按任务复杂度

flowchart TD
    subgraph 简单任务["简单任务（1-2 步）"]
        Tool-Use["Tool Use / Function Calling"]
        Self-Ask["Self-Ask"]
    end

    subgraph 中等任务["中等任务（3-5 步）"]
        ReAct
        Reflection
    end

    subgraph 复杂任务["复杂任务（5+ 步）"]
        Plan-Execute["Plan-and-Execute"]
        Multi-Agent["Multi-Agent Collaboration"]
        Router["Router / Subagent"]
    end

    subgraph 创造性任务["创造性/策略性任务"]
        Tree-of-Thoughts["Tree of Thoughts"]
    end

按需求特征

需求 推荐模式
需要调用外部 API Tool Use
需要动态调整策略 ReAct
需要高质量输出 Reflection
需要并行处理 Plan-and-Execute
需要团队分工 Multi-Agent
需要个性化/连续性 Memory-Augmented
需要多路径探索 Tree of Thoughts
需要拆解复杂问题 Self-Ask
需要领域路由 Router/Subagent

组合使用

实际项目中，这些模式经常组合使用：

示例 1：ReAct + Reflection + Memory

class AdvancedAgent:
    """组合了 ReAct、Reflection 和 Memory 的 Agent"""
    
    def __init__(self):
        self.memory = VectorMemoryStore()        # Memory 模式
        self.tools = ToolRegistry()               # Tool Use 模式
        
    def solve(self, task):
        # ReAct 循环
        while not done:
            # 检索相关记忆
            context = self.memory.search(task)    # Memory
            
            # 生成思考 + 行动
            thought, action = self.react(task, context)
            
            # 反思当前路径
            if self.should_reflect():             # Reflection
                feedback = self.reflect(current_progress)
                action = self.adjust(action, feedback)

示例 2：Plan-and-Execute + Multi-Agent + Reflection

# 软件项目开发流程
plan = Planner.create_plan(requirements)          # Plan-and-Execute

for step in plan:
    # 路由到专业团队处理
    if step.type == "architecture":
        team = [ArchitectAgent, ReviewerAgent]    # Multi-Agent
    elif step.type == "implementation":
        team = [CoderAgent, TesterAgent]
    
    output = team.execute(step)
    
    # 反思检查质量
    review = ReviewerAgent.reflect(output)        # Reflection
    if review.score < threshold:
        output = team.refine(output, review)

参考资源