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。

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：

1. 生成提示词：合并预设的 ReAct 模板（Question->Thought->Action->Observation）与用户问题。
2. 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。
3. 调用外部工具：利用 Function Calling 将自然语言 Action 转换为 API 接口调用。
4. 生成 Observation：API 返回结果后，将其转换为自然语言作为 Observation。
5. 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()
(response)