第四章 Agent的几种经典范式

🔄 第一节 ReAct范式

1.1 核心思想

ReAct（Reasoning and Acting） 将推理与行动紧密结合，形成"思考-行动-观察"的循环机制：

• 思考（Thought）：分析当前状况，规划下一步行动

• 行动（Action）：调用工具执行具体操作

• 观察（Observation）：获取行动结果，作为下一轮思考的输入

1.2 实现关键组件

# 核心循环结构
for step in range(max_iterations):
    thought = generate_thought(history, question)
    action = parse_action(thought)
    observation = execute_tool(action)
    history.append(f"Thought: {thought}\nAction: {action}\nObservation: {observation}")

1.3 优势与局限

优势：

• 高可解释性：思维过程完全透明

• 动态纠错：根据观察结果调整策略

• 工具协同：完美结合LLM推理与外部工具能力

局限：

• 可能陷入循环：需要设置最大迭代次数

• 上下文膨胀：历史记录不断增长可能影响性能

📋 第二节 Plan-and-Solve范式

2.1 两阶段工作流

规划阶段 → 执行阶段

1. 规划器（Planner）：将复杂任务分解为步骤清晰的计划

2. 执行器（Executor）：严格按照计划逐步执行

2.2 架构设计

class PlanAndSolveAgent:
    def plan(self, question): 
        # 生成结构化计划
        return ["步骤1", "步骤2", "步骤3"]
    
    def solve(self, plan):
        # 按计划执行
        for step in plan:
            result = self.execute_step(step)
        return result

2.3 适用场景

• 数学推理问题

• 需要严格步骤的任务

• 结构化程度高的复杂问题

🤔 第三节 Reflection范式

3.1 自我优化循环

执行 → 反思 → 优化 的迭代过程：

1. 执行：生成初步解决方案

2. 反思：批判性分析当前方案的不足

3. 优化：基于反馈改进方案

3.2 记忆管理系统

class Memory:
    def add_record(self, execution, reflection, refinement):
        # 存储完整迭代轨迹
        self.records.append({
            'execution': execution,
            'reflection': reflection, 
            'refinement': refinement
        })

3.3 核心价值

• 质量提升：通过多轮迭代优化解决方案

• 自我纠错：发现并修复逻辑漏洞

• 经验积累：构建可复用的学习轨迹

🛠️ 第四节 环境准备与基础工具

4.1 技术栈配置

• Python 3.10+：基础编程语言

• OpenAI API：LLM服务调用

• 环境变量管理：安全存储API密钥

4.2 LLM客户端封装

class HelloAgentsLLM:
    def invoke(self, messages, **kwargs):
        # 统一调用接口，支持多提供商
        return response

📊 三种范式对比分析

范式	核心策略	优势	适用场景
ReAct	动态规划、边想边做	高适应性、实时调整	探索性任务、需要外部信息的场景
Plan-and-Solve	先规划后执行	结构化、目标明确	逻辑清晰、可分解的任务
Reflection	迭代优化	高质量输出、自我改进	对结果质量要求高的任务