26｜Agent 设计模式：ReAct、Plan-and-Solve 与反射

本篇目标 ：如果说工具是"手"，技能是"招式"，那么 Agent 设计模式 就是"大脑的思考方式"。学会这三种模式，你的 AI 就能处理从"查天气"到"写整个项目"的各种复杂度任务。

一、什么是 Agent（智能体）？

Agent = LLM（大脑） + Memory（记忆） + Tools（工具） + Planning（规划） 。

它不再是一个简单的问答机器，而是一个能自主行动的数字员工。

但这个员工怎么思考？这就是我们要讲的 设计模式。

二、模式 1：ReAct（Reason + Act）------ 边想边做

这是最经典、最通用的模式。

它的核心逻辑是：思考（Thought） -> 行动（Action） -> 观察（Observation），如此循环。

场景：查一下马斯克现在的身价是多少？

Thought: 用户想查马斯克的身价。我不知道实时数据，得去搜一下。
Action : 调用 google_search("Elon Musk net worth today")。
Observation: 搜索结果显示 "$250 Billion (2025 estimate)"。
Thought: 我拿到数据了，可以直接回答了。
Final Answer: 马斯克现在的身价大约是 2500 亿美元。

优点：灵活，能处理未知情况。
缺点：容易陷入死循环，或者跑偏。

三、模式 2：Plan-and-Solve（先计划再执行）------ 运筹帷幄

对于复杂任务（比如写一个贪吃蛇游戏），ReAct 模式容易"走一步看一步"，写到一半发现架构错了。

Plan-and-Solve 模式要求 AI 先写出完整的计划，再一步步执行。

场景：写一个贪吃蛇游戏

Planner :
- Step 1: 创建 index.html，包含 Canvas。
- Step 2: 创建 game.js，实现蛇的移动逻辑。
- Step 3: 实现食物生成逻辑。
- Step 4: 实现碰撞检测。
Executor :
- 执行 Step 1...（完成）
- 执行 Step 2...（完成）
- ...

优点：大局观强，不容易写歪。
缺点：如果第一步计划就错了，后面全错。

四、模式 3：Reflection（反思/自修正）------ 吾日三省吾身

这是让 AI 变聪明的关键。

它要求 AI 在执行完一步后，自己检查自己："我做得对吗？有没有更好的办法？"

场景：写一段 Python 代码并修复 Bug

Draft: AI 写了一段代码。
Critique（批评）: AI 自己看一遍代码，"哎呀，这里数组越界了，而且变量名不规范。"
Refine（修正）: AI 根据批评意见，重写代码。
Final: 输出最终版本。

优点：代码质量极高，Bug 少。
缺点：费 Token，慢（因为要多跑几轮）。

五、实战：如何选择模式？

任务类型	推荐模式	为什么
简单查询（查天气、查汇率）	Function Calling (无模式)	直接调工具就行，不需要复杂思考。
多步探索（查某人的关系网、溯源）	ReAct	因为你不知道第一步查出来什么，只能边走边看。
工程开发（写代码、写小说）	Plan-and-Solve	需要严密的逻辑结构，不能想到哪写到哪。
高精度任务（写算法、翻译）	Reflection	质量优先，允许慢一点。

六、代码实现（伪代码）

以 ReAct 为例，它的 Prompt 结构大概长这样：

text 复制代码

You are an intelligent agent.
To solve the user's request, you run in a loop:

1. **Thought**: Analyze what to do next.
2. **Action**: Choose a tool to use (e.g., search, calculator).
3. **Observation**: Read the tool's output.

Repeat until you have the final answer.

在 LangChain 中，你可以直接用 initialize_agent(agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION) 来一键启动这个模式。

本篇产出：Agent 模式选型指南

当你设计一个新的 Agent 时，问自己三个问题：

任务流程是固定的吗？
- 是 -> 用 Workflow（工作流）（见第 22 章）。
- 否 -> 用 Agent。
需要边走边看吗？
- 是 -> 用 ReAct。
- 否 -> 用 Plan-and-Solve。
容错率低吗？
- 是 -> 加上 Reflection 环节。

练习题：设计一个"代码重构 Agent"

任务：你需要一个 Agent，能自动把一个乱糟糟的 Python 项目重构得整整齐齐。
请回答：

它应该用什么模式？
它的 Plan 应该包含哪些步骤？
它需要什么工具？

点击查看参考答案

模式：Plan-and-Solve + Reflection 。
- 先计划（Plan）：分析文件依赖，决定重构顺序。
- 后反思（Reflection）：重构完一个文件后，运行测试，确保没改坏。
步骤：
- Step 1: 扫描目录，生成依赖图。
- Step 2: 提取公共函数到 utils.py。
- Step 3: 重命名变量。
- Step 4: 运行 pytest 验证。
工具：list_files, read_file, write_file, run_pytest。

下一步 ：我们已经掌握了 Agent 的思考方式。但如果是多 Agent 协作 呢？比如一个"产品经理 Agent"指挥一个"程序员 Agent"？

下一章我们将学习 MCP × Skills 分层------：连接能力与流程知识如何组合