文章目录
-
- [1. 多 Agent 协作范式 (Multi-Agent Systems, MAS)](#1. 多 Agent 协作范式 (Multi-Agent Systems, MAS))
- [2. 层次化任务编排 (Hierarchical Planning)](#2. 层次化任务编排 (Hierarchical Planning))
- [3. 自我进化与记忆驱动范式 (Self-Evolving & Memory-Centric)](#3. 自我进化与记忆驱动范式 (Self-Evolving & Memory-Centric))
- [4. 资源调度与执行分离 (Plan-and-Execute)](#4. 资源调度与执行分离 (Plan-and-Execute))
- [5. 架构总结对比](#5. 架构总结对比)
除了目前主流的单体 Agent（如简单的 ReAct 模式），随着大模型能力的提升，Agent 的设计范式已经从"单兵作战"进化到了"复杂协同"和"自我进化"的阶段。
以下是目前工业界和学术界比较核心的几种 Agent 设计范式：
1. 多 Agent 协作范式 (Multi-Agent Systems, MAS)
这是目前处理复杂任务的主流趋势。不再依赖一个"全能"的 Agent，而是将其拆解为多个专业角色。
- 协作模式 (Collaboration): 模仿公司架构，设立 Manager Agent （负责任务规划和分发）、Worker Agent （负责执行具体任务，如写代码、查文档）和 Critic/Reviewer Agent（负责质检）。
- 对抗模式 (Adversarial/Debate): 让两个 Agent 针对同一个问题进行辩论。通过"左手打右手"，利用模型自身的批判性思维来减少幻觉，最终由一个裁判 Agent 给出结论。
- 代表框架: MetaGPT （引入 SOP 标准作业程序概念）、AutoGen（微软出品，强调多角色对话）。
2. 层次化任务编排 (Hierarchical Planning)
当任务目标过于宏大时，Agent 会利用层次化结构进行递归拆解。
- 设计逻辑: 顶层 Agent 负责战略规划（High-level goal），将其分解为子任务；中层负责资源调度；底层负责具体的工具调用。
- 特点: 这种范式通常具备自顶向下 的执行力和自底向上的反思能力。如果底层执行失败，会将错误向上抛，触发顶层重新规划。
3. 自我进化与记忆驱动范式 (Self-Evolving & Memory-Centric)
这种范式强调 Agent 的长期成长，而不只是单次任务的完成。
- 记忆增强 (RAG + Long-term Memory): 区分"工作记忆"（当前上下文）和"长期记忆"（通过向量数据库存储的历史经验）。Agent 在执行新任务前，先检索过去类似任务的成功策略。
- 自反思 (Self-Reflection/Reflexion): Agent 在完成任务后，会根据反馈（如代码运行报错或环境反馈）进行复盘，将改进后的策略写入"经验池"。
- 代表案例: Voyager（在《我的世界》中通过不断写代码、存入技能库，实现无人干预的自主探索）。
4. 资源调度与执行分离 (Plan-and-Execute)
这是为了解决 ReAct 模式中 Agent 容易"迷路"或陷入死循环的问题。
- 核心逻辑: 强制将"规划"和"执行"分为两个阶段。
- Phase 1: 模型一次性生成完整的计划清单（To-do list）。
- Phase 2: 循环执行清单中的每一个步骤。
- 优点: 逻辑更稳定，适合处理流程相对固定、步骤较长的业务场景。
5. 架构总结对比
| 范式名称 | 核心驱动力 | 适用场景 |
|---|---|---|
| ReAct | 思维链 + 工具调用 | 简单的问答、单步骤搜索 |
| Multi-Agent | 角色分工 + 流程标准(SOP) | 复杂软件工程、创意协作、多工种配合 |
| Plan-and-Execute | 预规划阶段 | 步骤多但逻辑清晰的任务（如：订机票+订酒店+写行程） |
| Self-Reflective | 闭环反馈机制 | 需要高准确度、持续优化性能的场景 |