智能体设计模式 Agentic design patterns
智能体工作流的核心思想是将复杂的任务分解为一系列基础"构建模块"（building blocks），然后通过特定的设计模式将这些模块组合、串联起来，从而构建出能够处理复杂问题的系统。
一、反思 (Reflection)
核心概念：让模型对自己的输出进行检查、评估和改进。
工作流程：
(1)初始生成：模型根据任务要求生成一个初步结果（如代码）。
(2)自我评估/外部评估： 将该结果作为输入，再次提示同一个或另一个模型，要求其对结果进行批判性分析（如检查正确性、风格、效率，并给出改进建议）。
(3)迭代优化：将评估反馈（如"第5行有bug"或"单元测试失败"）提供给模型，让它基于反馈生成一个更好的版本。
(4)循环往复：此过程可以多次迭代，直到达到满意的质量。
关键点：
这是一种非常有效的性能提升技术，虽然不能保证100%完美，但能带来显著的性能提升。
"反思"可以由同一个模型完成，也可以引入一个专门扮演"审查者"角色的独立模型（即多智能体协作的雏形）。
评估标准可以是客观的（如代码是否能运行），也可以是主观的（如代码风格）。
二、工具使用 (Tool Use)
核心概念：赋予语言模型调用外部工具或函数的能力，以扩展其功能边界。
工作流程：
识别需求：模型在处理任务时，判断需要调用哪个工具。
调用工具：模型生成调用该工具的指令或参数。
执行与返回：工具执行操作（如搜索网络、计算数学公式），并将结果返回给模型。
整合结果：模型利用工具返回的结果来完成最终任务。
工具类型举例：
信息收集：Web search, Wikipedia, Database access.
分析计算：Code Execution, Wolfram Alpha, Bearly Code Interpreter.
生产力：Email, Calendar, Messaging.
图像处理：Image generation, Image captioning, OCR.
关键点：工具使用极大地增强了模型的能力，使其不再局限于文本生成，而是能与现实世界互动并解决更广泛的问题。
三、规划 (Planning)
核心概念：让模型自主决定完成一个复杂任务所需的步骤序列，而不是由开发者硬编码。
工作流程：
任务理解： 模型接收一个复杂请求（如"生成一张女孩读书的图片，姿势与示例图中的男孩相同"）。
路径规划： 模型自动分解任务，决定需要调用哪些工具以及调用的顺序。
例如：先用 openpose 模型提取男孩的姿势 -> 再用 google/vit 模型根据该姿势生成女孩的图片 -> 接着用 vit-gpt2 模型描述图片 -> 最后用 fastspeech 模型将描述转为语音。
执行： 按照规划的步骤依次执行。
关键点：
这种方式比硬编码的流程更灵活，但控制难度更大，也更具实验性。
它允许模型在面对新任务时，自行构思解决方案，有时会产生令人惊喜的结果。
四、多智能体协作 (Multi-agent collaboration)
核心概念： 雇佣多个具有不同专长的角色（智能体）协同工作，共同完成一个复杂项目。
工作流程：
角色分配： 为不同的智能体分配特定角色（如研究员、市场专员、编辑）。
分工合作： 各个智能体根据自己的角色和能力，执行相应的子任务。
沟通协调： 智能体之间相互沟通、传递信息，共同推进项目。
关键点：
o 多智能体协作通常能产生比单个智能体更好的结果，尤其在处理复杂任务（如撰写人物传记、下棋）时。
o 研究表明，多智能体系统在多项任务上的表现优于单智能体系统。
o 其缺点是更难控制和调试，因为无法提前预知各个智能体的行为。