Agent 设计模式全解析：原理、架构与代码示例

Agent 设计模式全解析

1. 概述

本文深入解析 LLM Agent 的核心设计模式，涵盖 ReAct、Plan and Solve、REWOO、LLMCompiler、Reflection 系列及 Storm 等主流架构。通过图解与代码逻辑梳理，帮助开发者理解如何将人类思维模式转化为结构化 Prompt，从而构建高效的智能体应用。

2. ReAct 模式

ReAct (Reasoning + Acting) 是 LLM Agent 的开创性模式，发表于 2022 年 10 月。其核心在于让 LLM 学会使用工具，将推理（Reasoning）与行动（Acting）交替进行。

2.1 ReAct 原理

在没有 ReAct 之前，Reasoning 和 Act 往往是分割的。ReAct 引入了 Observation 环节，形成 Thought -> Action -> Observation 的循环结构。这相当于让 Agent 维持短期记忆，每次执行行动后都有'碎碎念'来评估是否达到目的。

Agent 设计模式图解

2.2 ReAct 实现逻辑

本质上，所有 Agent 设计模式都是将人类的思维、管理模式以结构化 Prompt 的方式告诉大模型来进行规划，并调用工具执行，且不断迭代。

核心步骤：

生成提示词：合并预设的 ReAct 模板（Question->Thought->Action->Observation）与用户问题。
调用大模型：生成 Thought 和 Action。通过 Stop Token 控制模型在生成 Observation 前停止输出。
调用外部工具：利用 Function Calling 将自然语言 Action 转换为 API 接口调用。
生成 Observation：API 返回结果后，将其转换为自然语言作为 Observation。
迭代或完成：将 Observation 输入给大模型，重复步骤 2-4，直至 Action 为 Finish。

代码示例 (LangChain 风格):

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI

# 定义工具
def search(query):
    return "搜索结果：..."

tools = [
    Tool(
        name="Search",
        func=search,
        description="用于搜索信息"
    )
]

# 初始化 Agent
agent = initialize_agent(
    tools,
    OpenAI(),
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 执行任务
response = agent.run("张译和吴京差几岁？")
print(response)

3. Plan and Solve 模式

该模式适合复杂任务，如'西红柿炒鸡蛋'。它先制定计划，再执行，过程中允许计划变更。

架构组成：

Planner：负责生成多步计划。
Replanner：根据任务完成情况重新规划。
Executor：接受查询和步骤，调用工具完成任务。

Plan and Solve 架构图

4. Reason without Observation (REWOO)

REWOO 去掉了显式的 Observation 步骤，将其隐式嵌入到下一步的执行单元中。适用于审批流等环环相扣的场景。

架构组成：

Planner：生成相互依赖的链式计划。
Worker：循环遍历任务，分配输出变量。
Solver：整合输出为最终答案。

REWOO 架构图

5. LLMCompiler

通过并行 Function Calling 提高效率。例如同时搜索多个独立信息源，最后合并结果。

特点：

Planner 生成 DAG (有向无环图)。
Jointer 负责合并结果。

LLMCompiler 架构图

6. Basic Reflection

类比学生写作业，老师批改建议，学生修改。包含 Generator 和 Reflector 两个组件。

Basic Reflection 架构图

7. Reflexion

Basic Reflection 的升级版，引入强化学习思路。通过外部数据评估回答准确性，强制反思缺失或多余内容。

流程：

Responder 进行批判式思考。
Revisor 基于批判意见修改初始回答。

Reflexion 架构图

8. Language Agent Tree Search (LATS)

融合 Tree Search、ReAct、Plan & Solve 及 Reflection。通过树搜索方式获取 Reward，找到最佳路径。

公式： LATS = Tree Search + ReAct + Plan & Solve + Reflection + RL

LATS 架构图

9. Self-Discover

让大模型在更小粒度上对 Task 本身进行反思，而非仅反思任务是否需要补充。

组件：

Selector：选择反省方式。
Adaptor：执行反省。
Implementor：重新推理。

Self-Discover 架构图

10. Storm

从零生成维基百科级别的文章。先搜索生成大纲，再生成内容。

流程： Topic -> 大纲生成器 -> 内容生成器。

Storm 架构图

11. 总结与选型建议

Agent 中没有最好的设计模式，只有最适合的设计模式。选型需考虑以下因素：

模式	适用场景	复杂度	效率
ReAct	通用工具调用	低	中
Plan & Solve	多步骤复杂任务	中	中
REWOO	强依赖顺序的任务	中	高
LLMCompiler	并行查询任务	高	高
Reflection	需要高质量输出的任务	高	低

开发者应根据具体业务需求，结合 Prompt 模板定制与 Function Calling 的外部工具定义，选择合适的架构落地 AI 应用。

Agent 设计模式全解析：原理、架构与代码示例