考察点:Agent 核心范式的适用边界,以及避免过度设计的选型判断。
要点:四种范式解决的问题不同,选型看两个维度——执行路径能不能提前确定、任务能不能按专业角色拆。
ReAct(Reasoning + Acting)
模型先推理一步,拿到外部环境反馈,再推理下一步,交替进行。它的价值是让 LLM“走一步看一步”,每一步都根据工具返回结果继续判断,因此能根据证据不断修正方向,比一次性生成更容易追溯决策依据。落地一般需要五个组件配合:历史上下文(保存推理步骤、执行动作、反馈观察)、实时环境输入(告警、用户反馈)、LLM 推理模块、工具集与技能库、反馈观察机制。代价是多轮调用增加响应延迟、Token 消耗高,效果取决于工具和 Skills 是否可靠,调试也难。
Plan-and-Execute
先由 LLM 生成全局分步计划,再交给执行器逐项完成。步骤较多、依赖关系明确的长任务用这种方式更容易保持全局进度、不易迷路。计划也是它的边界:执行过程中若出现未预料的结果,动态调整和容错能力会弱于边做边判断的 ReAct,行为更接近静态工作流。两种模式可以嵌套——用 CoT 给出全局步骤,每个步骤内部运行 ReAct 子循环,计划提供结构、子循环处理局部不确定性。
Reflection
通过自然语言反馈纠正 Agent 行为,不需要修改模型权重。三种常见实现:Reflexion 在任务失败后把反思结论记录到记忆缓冲区(例如代码调试发现 count 在调用前未初始化,下一轮据此规避);Self-Refine 让模型在完成回答、代码或文案后审查输出并迭代修改;CRITIC 借助搜索引擎、代码执行器等外部工具验证事实再修正。它通常叠加在 ReAct 或 Plan-and-Execute 上,不单独使用。
Multi-Agent
任务能拆成规划、执行、验收等相对独立职责时使用。Orchestrator-Subagent 模式由编排 Agent 制定全局计划、分发任务,子 Agent 并行或串行执行,再由编排层汇总;需要辩论、评审或相互验证时用 Peer-to-Peer 模式。收益是并行执行、单个子任务失败未必阻断整体;代价是通信、协调和调试成本都会上升,Token 消耗增加,落地还要处理任务契约、共享状态、并行写冲突、Worker 接管和检查点恢复。生产里不能盲目上多 Agent。
选型参考
| 场景特征 | 推荐方向 | 代价 |
| --- | --- | --- |
| 执行路径可提前确定,节点需要 LLM | AI 工作流(Graph) | 稳定可观测,前期设计成本高 |
| 执行路径不确定,需要动态规划 | ReAct | 灵活,Token 消耗高,调试难 |
| 任务很长,步骤多但结构清晰 | Plan-and-Execute | 不易迷路,动态调整弱 |
| 输出质量要求高,允许多轮迭代 | 叠加 Reflection | 与 ReAct/P&E 配合用,不单独用 |
| 任务天然可拆成多个专业角色 | Multi-Agent | 通信和调试成本翻倍 |
| 长任务 + 部分子任务不可预测 | Agentic Workflows | 全局 Workflow + 局部 ReAct 嵌套 |
判断标准:能提前写清楚执行路径就用 Workflow,写不出来再上 Agent。很多人觉得任务“路径不确定”,其实是需求没拆清楚——认真拆一遍后往往会发现大部分场景是“LLM 在固定节点里做生成或判断”,这种用 Workflow 更稳也更容易排查。先用最简单的方式跑通,再根据实际失败模式决定升级哪一层。
题目与答案就在本页;收藏、批注和错题重练在应用内