Agent 架构模式

基本原理AIMA Agent 类型ReAct常见模式Python 入口

本页解决什么：解释 Agent 为什么不是聊天窗口，而是由目标、上下文、工具、记忆、状态、权限和评估组成的执行系统。读完后应能判断什么时候需要 Agent，什么时候普通 RAG 或工作流就够了。

Agent 不是聊天窗口，而是把目标、上下文、工具、记忆、状态和评估组合起来的执行系统。

靠谱 Agent 需要闭环：计划、执行、观察、评估；低置信、越权或失败时必须回退或转人工。

基本原理

Agent 不是聊天机器人。一个可用的 Agent 至少包含：模型、目标、上下文、工具、状态、记忆、评估和权限。模型负责理解和生成，Agent 系统负责把这些输出变成可执行、可观察、可中断的任务流程。

Agent 解决的问题是：单个 LLM 只能生成文本，不能可靠地查数据、调用 API、执行代码、读取文件、维护任务状态或处理长流程。Agent 把模型和外部世界连接起来。

AIMA Agent 类型

AIMA 的传统 Agent 类型可以帮助判断现代 Agent 需要哪些能力。简单规则型 Agent 适合稳定规则，基于模型的 Agent 需要内部状态，目标型 Agent 需要搜索和规划，效用型 Agent 需要权衡风险和收益，学习型 Agent 则通过反馈改进策略。

AIMA 类型	现代对应	适合场景
Simple reflex agent	if-then 规则、阈值告警	简单质检、监控报警
Model-based reflex agent	带状态的工作流 Agent	多轮任务、设备状态监控
Goal-based agent	Plan-and-Execute、规划型 Agent	报告生成、实验流程、代码任务
Utility-based agent	带打分和权衡的决策 Agent	风控、调度、成本/质量平衡
Learning agent	从反馈中改进的 Agent	推荐、强化学习、自动优化

ReAct

ReAct 是 Reason + Act 的组合：模型先推理当前状态，再选择工具行动，得到观察结果后继续推理。它适合检索问答、网页任务、数据分析和工具型助手。

Thought: 我需要知道项目里有哪些文件。
Action: list_files(path=".")
Observation: 返回文件列表。
Thought: 发现有 docs 目录，下一步读取配置。
Action: read_file(path="docs/config.md")

常见模式

模式	机制	解决的问题	适用场景
ReAct	推理、行动、观察循环	动态工具调用	检索、网页、数据分析
Plan-and-Execute	先规划，再执行	长任务拆解	报告、研发任务、实验分析
Router	按任务路由模型或工具	成本和能力匹配	多模型客服、知识助手
Reflection	执行后反思修正	迭代改进	代码修复、复杂推理
Evaluator-Optimizer	生成器和评估器循环	质量控制	文案、代码、报告
State Machine	状态图控制流程	生产流程可控	审批、工单、实验管线

Python 入口

# LangGraph 风格的最小状态图示意
from typing import TypedDict

class State(TypedDict):
    question: str
    answer: str

def retrieve(state: State) -> State:
    state["answer"] = "检索到相关资料"
    return state

def generate(state: State) -> State:
    state["answer"] = f"基于资料回答：{state['question']}"
    return state

# 真实项目可用 langgraph.graph.StateGraph 把节点和边显式编排。

这个示例只展示状态式 Agent 的思想：任务状态在节点之间传递，而不是只靠一次 prompt。

下一步

• 要设计多 Agent 协同：看 多 Agent 协同。
• 要接入工具和岗位流程：看 MCP / Skill 专区。
• 要控制上下文和记忆：看 上下文工程与记忆。
• 要评估执行风险：看 评估与风险。