引言
随着大语言模型（LLM）能力的不断提升，Agent（智能体）已成为构建复杂 AI 应用的核心范式。对于产品经理和技术人员而言，理解 Agent 的设计模式至关重要，这有助于在架构层面规划系统行为、工具调用及决策逻辑。
本文将深入解析九种主流的 Agent 设计模式，包括 ReAct、Plan and Solve、REWOO、LLMCompiler、Basic Reflection、Reflexion、LATS、Self-Discover 以及 Storm。我们将结合原理图解与代码逻辑，分析每种模式的适用场景、核心优势及局限性，帮助读者建立系统的 Agent 设计思维。
1. ReAct 模式
ReAct (Reasoning + Acting) 是 LLM Agent 领域的奠基性工作之一，发表于 2022 年 10 月。在当时 ChatGPT 尚未普及的背景下，该论文提出了让 LLM 学会使用工具的关键思路，具有开创性意义。
1.1 原理详解
在 ReAct 出现之前，推理（Reasoning）和行动（Action）通常是割裂的。例如，让孩子去厨房拿胡椒粉，若仅使用思维链（CoT），孩子可能会列出所有步骤但无法根据环境反馈调整。ReAct 引入了 Observation（观察）环节，形成 Thought -> Action -> Observation 的循环。
- Thought: 模型对当前状态的思考。
- Action: 模型决定执行的具体操作（如调用 API）。
- Observation: 外部工具返回的结果，作为下一步推理的依据。
这种机制赋予了 Agent 短期记忆能力，使其能够根据执行结果动态调整后续策略。
1.2 实现逻辑
在 LangChain 等框架中，ReAct 的实现通常包含以下关键步骤：
- 提示词构建：将预设的 ReAct 模板（Question->Thought->Action->Observation）与用户问题合并。Few-shot 示例需根据具体领域定制，例如将 Action 映射为具体的 API 接口。
- 生成 Thought+Action：调用大模型生成中间思考过程和操作指令。通过设置 Stop Token（如 "Observation"），防止模型直接输出观察结果，确保流程可控。
- 工具调用：解析 Action 字段，判断是否为结束指令。若非结束，则利用 Function Calling 将自然语言转换为 API 请求参数。
- 生成 Observation：获取工具返回数据，将其转化为自然语言描述，作为新的上下文输入给模型。
- 迭代与输出：重复上述过程直至 Action 为 Finish，最终将结果转化为用户可读的自然语言。
1.3 优缺点分析
- 优点：逻辑清晰，可解释性强，适合需要多步推理和工具调用的任务。
- 缺点：每次交互都需要完整的上下文传递，Token 消耗较大；若工具响应错误，可能导致死循环。
2. Plan and Solve 模式
Plan and Solve 模式强调先规划后执行。如果说 ReAct 适合'厨房拿胡椒粉'这类简单任务，那么 Plan and Solve 更适合'西红柿炒鸡蛋'这类复杂任务，其中涉及计划变更的可能性。
2.1 核心组件
- Planner（规划器）：负责生成多步计划。初始 Planner 生成主计划，Replanner 则根据任务完成情况动态调整计划。
- Solver（执行器）：接受查询和计划步骤，调用工具完成具体任务。
2.2 应用场景
适用于长链条任务，如数据分析报告生成、多步骤业务流程处理。其 Zero-shot 能力提升显著，允许模型在遇到意外情况（如缺少食材）时重新规划路径。
3. REWOO (Reason without Observation)
REWOO 是对 ReAct 的优化，旨在减少上下文中的冗余信息。它去掉了显式的 Observation 字段，将上一步的执行结果隐式嵌入到下一步的输入变量中。
