掌握四大Agentic模式，让你的AI不仅能思考还能行动（收藏版）

文章深入探讨了AI Agent的核心设计模式针对传统大语言模型的局限性提出了四种关键模式反思Reflection、工具使用Tool Use、规划Planning和多Agent协作Multi-Agent Collaboration。这些模式赋予AI思考、行动、自检和协作的能力使其能处理复杂任务并最终构建出真正可用的AI系统。文章详细解析了每种模式的工作机制、适用场景及代码示例为读者提供了从理论到实践的全面指导。多数人对AI Agent的理解还停留在聊天机器人的升级版这个思路在一段时间里这么理解其实也没什问题比如问一个问题拿到一个回答。但很快就能看出来单轮提示-响应的交互根本没有任何的意义而真正有意义的跃迁发生在AI开始具备这些能力的时候思考、规划、行动、观察、循环往复这和我们处理复杂问题的方式几乎一致。这就是Agentic AI的内核而要构建这样的系统就必须理解支撑它运转的几种核心设计模式。本文拆解当下重塑AI系统构建方式的4种核心 Agentic 模式分析每种模式的工作机制、适用场景以及如何将它们组合出真正可用的系统。为什么 Agentic 模式现在如此重要传统大语言模型LLM聪明但脆弱。面对一个查询它能一次性给出响应却无法自我纠正、反复迭代或制定执行计划。这类模型不具备像人那样的外部交互能力无法浏览网页无法生成缩略图、写脚本、剪视频再把成品发布到 YouTube 频道更不用说并行完成这些操作。Agentic 模式就是针对这些局限的解法。它把一个静态的语言模型改造成动态推理引擎将复杂任务拆解为多个简单子任务再由多 Agent 协作逐一完成。在这个过程中Agent 可以调用外部工具、校验自身输出、与其他 Agent 协同工作——单轮提示根本不可能覆盖这些场景。模式1Reflection 让 Agent 学会自我审视在报社工作主编让你写一篇特稿。写完之后交稿前你会自己通读一遍排查事实错误、找出论证薄弱的地方、核实信源、修改结论这一轮自审就是反思。LLM 可以做同样的事审视自己生成的内容在返回结果之前迭代改进。最简单的形态下Reflection 是一个两步循环。第一步Agent 生成初始输出代码、文章、研究报告等第二步同一个 Agent 或另一个专职评审Agent 对输出进行分析识别缺陷和可改进之处。这个循环可以反复执行直到输出质量达到预设阈值。Figure: Reflection based Agentic Pattern代码示例# Agent生成响应批评它然后改进它。 # 安装: pip install ollama # 需要: Ollama在本地运行 → https://ollama.com # 先拉取模型: ollama pull llama3.2 import ollama MODEL llama3.2 def generate(prompt: str) - str: response ollama.chat( modelMODEL, messages[{role: user, content: prompt}] ) return response[message][content] def reflect_and_improve(task: str, iterations: int 2) - str: print(f Task: {task}\n) # 步骤1: 生成初始回答 draft generate(task) print(f--- Draft ---\n{draft}\n) for i in range(iterations): # 步骤2: 批评草稿 critique_prompt f You are a strict reviewer. Here is a task and a draft response. Task: {task} Draft: {draft} Identify weaknesses or errors in the draft, then write an improved version. draft generate(critique_prompt) print(f--- Iteration {i 1} ---\n{draft}\n) return draft if __name__ __main__: final reflect_and_improve( taskExplain what a Large Language Model is in 3 sentences. ) print(f✅ Final Answer:\n{final})典型应用场景包括代码生成中的生成-测试-定位Bug-重新生成循环创意写作中对语调和清晰度的反复打磨数据分析中对逻辑缺陷的自查与修正数学推理中逐步验证并修复中间步骤的错误。模式2Tool Use给 Agent 装上手脚工具使用让 Agent 能够与训练数据之外的真实世界交互。Tool Use也叫 Function Calling的基本流程是这样的Agent 收到任务后判断是否需要借助外部工具如果需要生成一个结构化的工具调用请求工具执行后返回结果Agent 将结果纳入推理链继续处理。Figure: Tool-Use Agentic Pattern代码示例# 模式2: 工具使用 # Agent决定何时调用外部工具搜索、计算器、天气 # 并将其结果纳入最终回答。 # 安装: pip install ollama requests # 需要: Ollama在本地运行 → https://ollama.com # 先拉取模型: ollama pull llama3.2 import ollama import requests import json MODEL llama3.2 # ── 定义的工具 ────────────────────────────────────────────────────────────── def get_weather(city: str) - str: Fetch current weather for a city using the free Open-Meteo API. # 步骤1: 将城市名称地理编码为经纬度 geo requests.get( https://geocoding-api.open-meteo.com/v1/search, params{name: city, count: 1} ).json() if not geo.get(results): return fCould not find location for {city}. lat geo[results][0][latitude] lon geo[results][0][longitude] # 步骤2: 获取天气 weather requests.get( https://api.open-meteo.com/v1/forecast, params{ latitude: lat, longitude: lon, current_weather: True } ).json() current weather[current_weather] return ( fWeather in {city}: {current[temperature]}°C, fwind speed {current[windspeed]} km/h. ) def calculator(expression: str) - str: Safely evaluate a basic math expression. try: result eval(expression, {__builtins__: {}}) return fResult of {expression} {result} except Exception as e: return fError evaluating expression: {e} # 工具注册表 - 将工具名称映射到函数 TOOLS { get_weather: get_weather, calculator: calculator, } # 发送给模型的工具描述让它知道有哪些可用工具 TOOL_DESCRIPTIONS You have access to the following tools. Call a tool by responding with JSON in this exact format: {tool: tool_name, args: {arg: value}} Available tools: 1. get_weather(city: str) — Returns the current weather for a city. 2. calculator(expression: str) — Evaluates a math expression like 12 * 9. If you dont need a tool, just answer directly in plain text. Only call ONE tool per response. # ── Agent循环 ───────────────────────────────────────────────────────────────── def run_tool_agent(user_query: str) - str: print(f Query: {user_query}\n) messages [ {role: system, content: TOOL_DESCRIPTIONS}, {role: user, content: user_query} ] for step in range(5): # 最多5步 response ollama.chat(modelMODEL, messagesmessages) reply response[message][content].strip() # 尝试从模型的响应中解析工具调用 try: call json.loads(reply) tool_name call.get(tool) args call.get(args, {}) if tool_name in TOOLS: print(f Calling tool: {tool_name}({args})) tool_result TOOLS[tool_name](**args) print(f Tool result: {tool_result}\n) # 将结果反馈给模型 messages.append({role: assistant, content: reply}) messages.append({role: user, content: fTool result: {tool_result}\nNow answer the original question.}) continue except (json.JSONDecodeError, TypeError): pass # 没有工具调用 - 这是最终答案 print(f✅ Final Answer:\n{reply}) return reply return Agent did not reach a conclusion. if __name__ __main__: run_tool_agent(What is the weather in Tokyo? Also what is 144 divided by 12?)适用场景很广研究类 Agent 从多源浏览和综合网络内容个人助理 Agent 管理待办、邮件或在应用中下单金融 Agent 拉取股票与市场实时行情新闻提取 Agent 从多个渠道聚合最新信息。模式3Planning行动之前先想清楚假设有人接到开发一个应用的任务上来就开始写代码没有任何规划。这种做法显然令人不安。好的工程师先拆解问题列出可执行的步骤序列然后逐步推进。Agent 也应该如此。Planning 模式赋予 Agent 的正是这种先想后做的能力。Planning 有两种主要变体。第一种是 ReActReason Act。这是目前最流行的规划方式Agent 在推理—行动—观察三个环节之间交替循环先思考下一步该做什么然后执行动作调用工具或完成某个步骤接着观察执行结果再进入下一轮推理直到任务完成。Figure: ReAct based Planning Pattern第二种是 Plan-and-Execute。与 ReAct 那种边走边拆的风格不同Plan-and-Execute 要求 Agent 在动手之前一次性生成完整的执行计划然后按顺序逐步执行。Phase 1 — Planning:“Here are the 5 steps I’ll take to complete this task: …”Phase 2 — Execution:Step 1 → [execute] → resultStep 2 → [execute] → result…Step 5 → Final output代码示例# 模式3: 规划 (ReAct — 推理 行动) # Agent推理下一步该做什么行动使用工具 # 观察结果然后再次推理——直到任务完成。 # 安装: pip install ollama requests # 需要: Ollama在本地运行 → https://ollama.com # 先拉取模型: ollama pull llama3.2 import ollama import requests import re MODEL llama3.2 # ── 模拟工具 ───────────────────────────────────────────────────────────────── def search_web(query: str) - str: Simulated web search (replace with real search API in production). mock_db { transformer architecture: Transformers use self-attention mechanisms to process sequences in parallel., who invented transformers: The Transformer architecture was introduced by Vaswani et al. in the paper Attention Is All You Need (2017) at Google Brain., applications of transformers: Transformers are used in NLP (BERT, GPT), computer vision (ViT), speech recognition, and drug discovery., } for key, value in mock_db.items(): if key in query.lower(): return value return fNo results found for {query}. def summarize(text: str) - str: Use the LLM itself to summarize a piece of text. response ollama.chat( modelMODEL, messages[{role: user, content: fSummarize this in one sentence:\n{text}}] ) return response[message][content].strip() TOOLS { search_web: search_web, summarize: summarize, } # ── ReAct系统提示词 ──────────────────────────────────────────────────────── REACT_PROMPT You are a reasoning agent. Solve tasks step by step using this loop: Thought: Think about what to do next. Action: tool_name(argument) Observation: [result of the action] ... repeat as needed ... Final Answer: your complete answer Available tools: - search_web(query) — Search for information on a topic. - summarize(text) — Summarize a block of text into one sentence. Always start with a Thought. End with Final Answer when done. # ── ReAct Agent循环 ─────────────────────────────────────────────────────────── def parse_action(text: str): Extract tool name and argument from Action: tool_name(argument) match re.search(rAction:\s*(\w)\((.?)\), text, re.DOTALL) if match: return match.group(1).strip(), match.group(2).strip().strip().strip() return None, None def run_react_agent(task: str) - str: print(f Task: {task}\n) messages [ {role: system, content: REACT_PROMPT}, {role: user, content: fTask: {task}} ] for step in range(8): # 最多8个ReAct步骤 response ollama.chat(modelMODEL, messagesmessages) reply response[message][content].strip() print(f[Step {step 1}]\n{reply}\n) # 检查Agent是否已达到最终答案 if Final Answer: in reply: final reply.split(Final Answer:)[-1].strip() print(f✅ Final Answer:\n{final}) return final # 解析并执行动作 tool_name, argument parse_action(reply) if tool_name and tool_name in TOOLS: observation TOOLS[tool_name](argument) print(f Observation: {observation}\n) # 将交互追加到消息历史 messages.append({role: assistant, content: reply}) messages.append({role: user, content: fObservation: {observation}}) else: # 未找到有效动作 - 要求Agent继续 messages.append({role: assistant, content: reply}) messages.append({role: user, content: Continue your reasoning.}) return Agent reached maximum steps without a final answer. if __name__ __main__: run_react_agent( Who invented the Transformer architecture and what are its main applications? )Planning 模式的适用场景集中在几类任务上涉及多个相互依赖步骤的研究任务需要在执行前完成规划软件开发中需要先做架构设计再进入编码阶段的工作流程业务流程自动化中在关键决策节点反复推理和修正的场景。模式4多 Agent 协作分工、专精、协同没有谁能精通所有领域。团队存在的意义在于每个成员各有专长协作产出任何个体都无法独立完成的成果。AI Agent 遵循同样的逻辑。多个具备不同专长的 Agent 各司其职协作完成单一 Agent 难以应对的复杂任务。这一模式有几种架构上的变体。第一种Orchestrator SubAgents。一个中央编排器接收任务、完成分解然后将子任务分配给多个专业子 Agent 并行处理最后汇总所有结果。第二种Peer Agents对等辩论/协作。多个 Agent 独立处理同一任务之后对比各自的结论这个类似于研究者之间通过辩论逼近真相的过程。在对精度要求极高的任务中这种模式尤其有价值。第三种Sequential Pipeline顺序流水线。把它想象成一个专业分工团队在同一任务上依次接力。Agent A 产出结果交给 Agent BAgent B 加工后交给 Agent C直到最终输出。[Data Collector] → [Analyst] → [Fact Checker] → [Writer] → Final Report代码示例# 模式4: 多Agent协作 # 一个编排器Agent分解任务并将子任务委派给 # 专业化Agent研究员、分析师、写手。 # 每个Agent都有一个专注的角色和系统提示词。 # 安装: pip install ollama # 需要: Ollama在本地运行 → https://ollama.com # 先拉取模型: ollama pull llama3.2 import ollama MODEL llama3.2 # ── 基础Agent ───────────────────────────────────────────────────────────────── def run_agent(system_prompt: str, user_message: str) - str: Run a single agent with a given role and task. response ollama.chat( modelMODEL, messages[ {role: system, content: system_prompt}, {role: user, content: user_message} ] ) return response[message][content].strip() # ── 专业化Agent ───────────────────────────────────────────────────────── def researcher_agent(topic: str) - str: Gathers key facts and background on a topic. system ( You are a research specialist. When given a topic, provide 4–5 key facts, background context, and important figures or milestones. Be concise and factual. ) print( Researcher Agent working...) result run_agent(system, fResearch this topic: {topic}) print(f Done.\n) return result def analyst_agent(research: str) - str: Identifies trends, insights, and implications from research. system ( You are a data analyst and critical thinker. Given research notes, extract 3 key insights or trends and explain their implications. Be analytical and structured. ) print( Analyst Agent working...) result run_agent(system, fAnalyze these research notes:\n{research}) print(f Done.\n) return result def writer_agent(topic: str, research: str, analysis: str) - str: Writes a polished short article from research and analysis. system ( You are a professional tech writer. Given a topic, research notes, and analysis, write a clear, engaging 150-word summary suitable for a technical blog. Use simple language and a logical structure. ) print(✍️ Writer Agent working...) result run_agent( system, fTopic: {topic}\n\nResearch:\n{research}\n\nAnalysis:\n{analysis}\n\nWrite the blog summary. ) print(f Done.\n) return result # ── 编排器 ─────────────────────────────────────────────────────────────── def orchestrator(topic: str) - str: Central orchestrator that: 1. Delegates research to the Researcher Agent 2. Sends research to the Analyst Agent 3. Passes both outputs to the Writer Agent 4. Returns the final polished output print(f Orchestrator: Starting pipeline for topic → {topic}\n) print( * 55) # 步骤1: 研究 research researcher_agent(topic) # 步骤2: 分析 analysis analyst_agent(research) # 步骤3: 写作 final_article writer_agent(topic, research, analysis) print( * 55) print(f\n✅ Final Output:\n\n{final_article}) return final_article if __name__ __main__: orchestrator(The rise of Agentic AI systems in 2024)多 Agent 协作的落地场景十分多样软件项目中由架构师、编码者、审查者、测试者组成 Agent 团队金融分析中由数据采集、量化分析、叙述撰写等 Agent 分工配合内容创作流水线中由研究、写作、编辑、SEO 各环节的 Agent 接力完成客户支持系统中由分诊、专家处理、升级等 Agent 协同响应。模式之间如何组合四种模式并非互斥。在实际生产系统中最成熟的方案往往将它们分层叠加。以一个 AI 竞争情报平台为例每种模式各自弥补一类短板——Reflection 提升输出质量Tool Use 拓展交互能力Planning 应对多步骤复杂任务Multi-Agent 解决规模和专业分工的问题。四层叠合一个简单的 LLM 就变成了可以上生产的自主系统。总结单轮提示的时代正在过去。取而代之的是具备思考、行动、自检和协作能力的 AI——与一支配合默契的工程团队所做的事情本质上没有区别。Reflection、Tool Use、Planning、Multi-Agent Collaboration这四种模式构成了这次转移的基础构件理解它们的意义不停留在理论层面它直接决定了最终产出的是一个演示用的原型还是一个能在生产环境中持续运行的系统。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】