AI Agent几种架构模式详解与应用

本文深入剖析AI Agent（智能体）的几种主流架构模式，帮助你透彻理解其运行原理。在AI发展初期，与AI对话仅停留在简单问答层面，输入输出直接对应，核心精力都聚焦在提示词工程上——目标只是让每次回答的质量更高。如今，Agent需要应对复杂任务，必须整合工具调用（tools）、记忆模块（memory）与检索增强生成（RAG）协同工作，可能是完成一项综合调研、设计长期计划，或是编写代码实现复杂功能。那种“一问一答”的简单模式显然已经无法胜任。

要实现这些高级能力，Agent需要专门的架构与流程支撑。下面介绍最常见的三种架构模式。

ReAct（Reason + Act）

ReAct是最经典的架构，非常适合搜索和问答场景。它的核心流程是：先思考推理（Reason）→ 决定调用工具（Act）→ 再根据工具返回的结果继续思考，形成循环迭代。

User Question
 │
 ▼
+-----------+
|   LLM     |
|  Thought  |
+-----------+
 │
 ▼
Decide Tool ?
 /  yes   no
│       │
▼       ▼
Call Tool  Final Answer
│
▼
Observation
│
▼
Back to LLM (loop)

上图中的 loop 就是Agent内部的循环机制。通常情况下，需要给Agent设定循环次数的上限，否则可能导致失控。

Thought -> Action -> Observation -> Thought -> ...

举例说明：当你问“今天北京天气怎么样”时，Agent会进行如下思考：

Thought: 我需要查询天气
Action: weather_api("Beijing")
Observation: 25°C sunny
Thought: 已有答案
Final Answer: 北京今天25°C，晴天

代码示例如下：

while (true) {
  const prompt = `Question: ${userInput}
History: ${steps}
Think step by step.
You can use tools.`
  const response = await llm(prompt)
  if (response.type === "tool") {
    const result = await tools[response.tool](response.args)
    steps.push({action: response.tool, observation: result})
  } else {
    return response.answer
  }
}

ReAct模式的优点在于实现简单、灵活性强，可以动态扩展工具。缺点是LLM调用次数较多，循环过多时容易不受控，因此通常需要限制最大轮询次数。

Plan-and-Execute

这一模式专门用于解决复杂任务的拆解问题。首先让LLM生成整体计划，然后按照计划逐步执行（调用工具）。

User Request
│
▼
+-------------+
| Planner LLM |
+-------------+
│
▼
  Task List
│
▼
+-------------+
|  Executor   |
|  (tools)    |
+-------------+
│
▼
Combine Results
│
▼
Final Answer

例如用户提出“帮我制定一个5天马来西亚的旅行计划”，LLM会先分解出详细步骤：

1. 搜索吉隆坡景点
2. 搜索槟城景点
3. 规划每天路线
4. 生成旅行文档

Agent再根据计划依次调用对应的工具执行，并记录每一步的结果：

task1 -> google search
task2 -> travel API
task3 -> LLM route planner
task4 -> PDF generator

代码示例如下：

async function createPlan(goal: string) {
  const prompt = `Break the task into steps.
Task: ${goal}`
  return await llm(prompt)
}

async function executePlan(plan) {
  const results = []
  for (const step of plan.steps) {
    const result = await runStep(step)
    results.push(result)
  }
  return results
}

const plan = await createPlan(userInput)
const result = await executePlan(plan)
return summarize(result)

Plan-and-Execute模式的优点是长任务执行稳定、结构清晰，缺点是计划可能不够完善，因此许多现代Agent在生成计划后，会允许用户自行修改再执行。

Reflection / Self-Critique

这是让Agent对自身输出进行自我审查和优化的模式，特别适合写代码、撰写论文、创作博客等场景。AI编程工具如Cursor就采用这种模式：LLM输出初稿 → 再由LLM评估 → 若质量不达标 → 修改完善。

User Task
│
▼
+----------+
|LLM Draft |
+----------+
│
▼
+----------+
| Critic   |
| Review   |
+----------+
│
 ▼
Good ? No
Yes│   │
   ▼   ▼
Final Answer Rewrite
       │
       └── loop

比如让Cursor写一段Node.js代码实现某个缓存功能：第一次生成的代码经过Critic Review，发现缺少TTL、逻辑不够清晰。拿到这些评审意见后，重写的代码就会更优。可以再次审查，但通常控制在3次以内。

let draft = await llm(task)
for (let i = 0; i < 3; i++) {
  const critique = await llm(`Review this answer:
${draft}
List problems.`)
  if (critique.includes("no problem")) {
    break
  }
  draft = await llm(`Improve the answer based on critique:
${critique}
Original:
${draft}`)
}
return draft

对比

三种架构模式的对比表如下：

组合使用

在实际生产环境中，这三种模式常常结合在一起使用。先由Planner制定计划，再通过ReAct模式执行具体步骤，最后让Reflection模块检验成果。根据不同的任务类型，这些环节可以灵活取舍。

+------------+
User Request -> |  Planner  |
                +------------+
                     │
                     ▼
                +------------+
                |  Executor  |
                |  (ReAct)   |
                +------------+
                     │
                     ▼
                +------------+
                | Reflection |
                +------------+
                     │
                     ▼
                Final Result

此外，还需配合记忆模块（memory）、检索增强生成（RAG）以及多样工具（tools）共同使用。整个Agent实际上是一个相当复杂的软件系统。