是什么
L2 · 主题中枢
Agent 模式
Agent 模式通过结构化控制流将大模型从被动应答者升级为主动任务执行者。
Agent 模式的核心价值在于定义清晰的输入、控制信号、状态转移与输出边界,使非确定性推理过程具备工程可管理性。
为什么
复杂任务需要跨步骤推理、动态决策与状态管理,单轮 Prompt 无法维持上下文一致性与容错能力,模式化架构提供可复用、可观测的控制流。
怎么做
从明确任务边界开始,选择 Planner-Executor 拆分规划与执行,引入 Reflection 闭环校验结果,必要时叠加 Supervisor 进行多智能体协调。
什么时候
适用于需多步推理、工具链集成或容错重试的场景;当任务确定性强、步骤固定或延迟敏感时,应降级为流水线或规则系统。
FOCUS
下属主题
FOCUS
先记住这些
为什么需要模式化
将隐式推理显式化为可配置的控制流,提供标准化接口、可观测状态与可重试机制,避免 Prompt 工程陷入黑盒调试。
真正难在哪里
循环终止条件设定、状态一致性维护、反思质量评估与多智能体通信开销是主要工程挑战,需配套监控与降级策略。
什么时候用
任务路径动态、需工具链协同、允许延迟换取准确率时启用;流程固定、实时敏感或资源受限时降级为流水线。
ROUTE
学习路径
掌握输入、控制信号、状态转移与输出边界,明确各模式职责。
从单任务拆解开始,建立规划与执行分离的基础架构。
添加结果校验与自动重试逻辑,提升系统鲁棒性。
在多智能体场景下实现任务分发、冲突仲裁与全局状态管理。
PROBLEM / POSITION / INTERFACE
先弄清它为什么存在,以及谁在使用
-
01 解决的问题
当业务逻辑涉及动态路径选择、外部工具调用或需对中间结果进行质量校验时。
单轮对话缺乏状态保持与错误恢复机制,Prompt 膨胀导致推理漂移,失败后无法自动重试或调整策略。
- 成功标准
- 系统能自主拆解目标、调用工具、验证输出,并在异常时触发修正或升级人工介入,全程可追踪。
-
02 AI 生态位
作为任务执行中枢,接收高层目标,驱动规划、执行与反思循环,协调工具与子智能体。
- 上游
- 依赖用户意图解析、环境状态感知与可用工具集注册。
- 下游
- 向下游交付结构化结果、执行日志或触发后续业务流程。
-
03 人的生态位
定义任务目标、验收标准与干预阈值,监控关键节点输出,处理模式无法覆盖的边缘情况。
- 适合使用
- 任务路径动态变化、需工具链协同、允许一定延迟以换取更高准确率与容错性。
- 不必使用
- 流程固定、实时性要求高、计算资源受限或可通过确定性规则/简单流水线解决。
-
04 独特价值
将非确定性推理过程封装为可配置、可观测、可重试的标准化控制流,显著降低复杂任务的维护成本。
状态管理易出错,循环终止条件难设定,多智能体通信开销大,反思质量依赖 Prompt 设计与评估指标。
- 复杂度判断
- 复杂度不是功能数量,而是控制与验证成本。
INTERFACE FLOW
谁在操作,信息怎样流动
-
WHO OPERATES
HUMAN设定目标、配置控制参数、验收结果与处理异常
MODEL执行推理、生成计划、调用工具与自我评估
AGENT封装完整循环逻辑,管理状态机与重试策略
TOOL提供外部能力接口,返回结构化执行结果
-
INPUT
高层任务描述、初始上下文、可用工具定义与约束条件。
-
CONTROL
最大迭代次数、反思触发阈值、工具调用白名单、超时策略、人工介入开关。
-
OUTPUT
最终任务结果、执行轨迹日志、失败原因分析与建议动作。
FLOW
标准执行流程
COMPARE
模式对比与选型
| 维度 | Planner-Executor | Reflection | Supervisor |
|---|---|---|---|
| cells | |||
| cells | |||
| cells | |||
| cells |
PRACTICE
最小可用实现步骤
import os
from openai import OpenAI
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
def run_agent(task: str, tools: list, max_iters: int = 3):
plan = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": f"Plan steps for: {task}"}]
).choices[0].message.content
for i in range(max_iters):
result = execute_steps(plan, tools)
if validate(result):
return result
plan = refine_plan(plan, result)
return {"status": "failed", "reason": "max iterations reached"}
def execute_steps(plan, tools):
# 简化工具调用逻辑
return {"output": "executed", "steps": plan}
def validate(result):
return result.get("output") == "executed"
def refine_plan(plan, result):
return f"Revised plan based on: {result}"Planner-Executor 基础实现
{
"status": "success",
"result": {
"output": "Task completed successfully",
"steps_executed": 3,
"tools_used": [
"search",
"calculator"
]
},
"metadata": {
"iterations": 2,
"reflection_triggered": true,
"execution_time_ms": 1250
}
}FAQ
常见问题
01谁在实际使用 Agent 模式?+
AI 工程师、系统架构师与自动化流程设计者,用于构建复杂任务处理系统。
明确目标用户有助于设计合适的抽象层级与调试工具。02Agent 模式与 ReAct 有什么区别?+
ReAct 是单智能体推理-行动交替模式,Agent 模式是包含规划、反思、协调的完整架构体系。
避免将局部推理策略误认为系统级架构,影响扩展性设计。03最小可用方式是什么?+
实现 Planner-Executor 基础循环,添加简单校验与重试逻辑,即可形成闭环。
帮助团队快速验证模式价值,避免过度设计。04生产环境最容易在哪里失败?+
循环终止条件设定不当导致无限重试,或 Reflection 校验标准模糊引发误判。
决定监控指标设计与降级策略配置。05什么时候不需要它?+
任务步骤固定、无需动态决策、实时性要求高或可通过简单规则解决时。
控制系统复杂度与运维成本。