一、 各类Agent技术原理、场景与优缺点总结
🌟 奠基时代
1. ReAct (Reason + Act)
- 底层原理：交替进行"思考"和"行动"。LLM先输出一段思考（CoT），决定下一步调用什么工具，获取观察结果后，再进行下一轮思考，直到任务完成。
- 适用场景：简单的问答、基础的API调用、单步信息检索。
- 优点：符合直觉，能在执行过程中根据工具反馈动态调整动作。
- 缺点：Token消耗极大（每次循环都要带着前面的上下文）；面对多步复杂任务容易"脱轨"或陷入死循环。
📈 分支一：重规划路径 (解决效率与长任务问题)
2. REWOO (Reasoning without Observation)
- 底层原理：将"规划"和"执行"完全解耦。LLM先一次性写好整个任务的执行计划（DAG图），并预留好变量。然后执行器按照计划调用工具，最后再将所有结果交给LLM总结。
- 适用场景：流程固定、步骤之间依赖关系明确的任务（如：先查天气，再查航班，最后写邮件）。
- 优点：大幅减少Token消耗和调用LLM的次数；避免了ReAct中某一步出错导致后续全盘崩溃。
- 缺点：缺乏动态调整能力。如果计划的第一步就彻底失败，后面的执行通常毫无意义。
3. Plan & Execute (Plan-and-Solve)
- 底层原理：一个"规划者"Agent将大任务拆分为子任务列表；一个"执行者"Agent按顺序完成子任务。通常还加入了一个"重规划(Re-plan)"机制，每完成一步都会更新剩余计划。
- 适用场景：复杂的数据分析、长篇内容生成、多步骤代码编写。
- 优点：擅长处理长周期任务，逻辑清晰，容错率比纯REWOO高。
- 缺点：串行执行，耗时（Latency）较长。
4. LLM Compiler
- 底层原理 ：借鉴传统计算机编译器的原理，将自然语言任务编译成可以并行执行的工具调用图（DAG图）。
- 适用场景：包含多个独立子任务的查询（例如："同时帮我查一下苹果、微软和谷歌今天的股价并对比"）。
- 优点：极大地降低了任务执行的总体时间，效率极高。
- 缺点：对LLM提取依赖关系的能力要求极高；并非所有任务都能并行。
🪞 分支二：重反思路径 (解决幻觉与准确率问题)
5. Basic Reflection (自我反思)
- 底层原理：Agent生成初步答案后，系统提示它（或另一个Critic Agent）"检查上述答案是否有误"，然后根据反馈重新生成答案。
- 适用场景：文本润色、代码纠错、逻辑推理题。
- 优点：实现简单，无需外部环境配合，能显著提升单次生成的质量。
- 缺点：如果LLM本身的认知有盲区，它可能会"认为错误的答案是正确的"，导致无效反思甚至改错。
6. Self-Discover (自我发现)
- 底层原理：在解决问题之前，LLM先从一个"推理模块库"（如：批判性思维、分步拆解、逆向思维等）中，自主挑选并组合出最适合当前任务的"推理框架"，然后再按照这个框架去执行。
- 适用场景：极具挑战性的逻辑推理、非常规的数理问题。
- 优点：针对不同任务做到"千人千面"的解题思路，极大提升了零样本(Zero-shot)能力。
- 缺点：前期寻找"解题框架"的开销较大。
7. Reflexion
- 底层原理：引入了强化学习中的试错机制和外部环境反馈（如代码编译器报错信息）。Agent执行后，根据失败的反馈生成一段**"反思经验 (Reflection)"并存入长期记忆**，在下一次尝试时带上这段经验避免踩坑。
- 适用场景：自动化编程（HumanEval）、网页自动化操作、游戏通关。
- 优点：具备了真正的"学习能力"，可以通过多次Trial & Error解决极难的任务。
- 缺点：必须有能够提供明确成功/失败反馈的外部环境（Environment）；多次试错成本高昂。
8. LATS (Language Agent Tree Search)
- 底层原理：这是目前单体Agent的集大成者。它将蒙特卡洛树搜索（MCTS）与ReAct、Reflexion结合。它在执行时会像下棋一样，同时向前探索多个可能的分支路径，对每个节点的收益进行评估反思，最终找到一条最优路径。
- 适用场景：极高难度的战略规划、复杂的数学证明、高级编程任务。
- 优点：准确率和问题解决率极高，代表了目前单体Agent的最高水平（SOTA）。
- 缺点：计算成本极其恐怖，生成一棵树可能需要消耗海量的Token和时间，不适合日常简单任务。
➕ 补充的分支：扩展Agent边界
9. 重记忆 (Memory-Centric) - 例如：MemGPT
- 底层原理：将LLM视为操作系统的CPU，将上下文窗口视为内存，将外部数据库视为硬盘。Agent被赋予了"翻阅"和"写入"外部存储的动作能力，通过分页加载机制绕过Token限制。
- 适用场景：AI伴侣、超长文档处理、长线剧情NPC。
- 优点：赋予了Agent"无限记忆"的错觉，能够维持长达数月的一致性对话。
- 缺点：检索（Retrieval）不够准确时会导致记忆错乱。
10. 多智能体协同 (Multi-Agent) - 例如：MetaGPT, AutoGen
- 底层原理：将复杂任务拆解给多个设定了不同System Prompt的Agent（如产品经理、程序员、测试员），它们在一个虚拟环境里通过自然语言互相交流、评审、辩论来共同完成任务。
- 适用场景：软件开发全流程、学术论文调研与撰写、复杂剧本杀模拟。
- 优点：利用交叉验证降低了单一LLM的幻觉；模拟人类社会的SOP（标准作业程序）非常有效。
- 缺点：沟通成本高（Agent互相说话很费Token）；容易陷入"回音壁"效应（一群Agent互相赞同产生垃圾产出）。
总结来说：
如果是为了解决明确的工具链任务，走重规划 (Planning) 路线效率最高；如果是为了攻克高难度的逻辑与代码任务，走重反思 (Reflection/LATS) 路线成功率最高；如果是企业级复杂应用，通常需要结合多智能体 (Multi-Agent) 架构。