Agentic Design Patterns 快速概览
------ AI Agent 设计模式系统学习指南
一、本书定位
《Agentic Design Patterns》 是一本系统讲解 AI Agent 设计模式的实战指南（424页），由 Antonio Gulli 撰写。全书将 Agent 系统的构建拆解为 21个核心设计模式 + 7个技术附录，覆盖从基础编排到企业级架构的完整知识体系。
核心价值：将复杂的 Agent 系统构建经验，提炼为可复用的"模式语言"，让你像搭积木一样组合出可靠的 AI 智能体系统。
二、21个核心模式全景图
📐 第一部分：核心模式（7个模式 · 103页）
目标：掌握 Agent 系统的基础编排能力
| 模式 | 一句话定义 | 解决的问题 | 典型场景 |
|---|---|---|---|
| 1. 提示词链 | 将复杂任务拆成顺序执行的子任务链 | 单条提示词无法处理多维度复杂任务 | 文档处理流水线、多步内容生成 |
| 2. 路由决策 | 根据输入特征分发到不同处理路径 | 同一系统需处理多种类型的请求 | 客服分类、内容审核路由 |
| 3. 并行执行 | 多个独立子任务同时执行后聚合 | 任务中存在可并行的独立分支 | 多源数据收集、批量分析 |
| 4. 反思优化 | Agent 审视并修正自己的输出 | 首次生成结果质量不达标 | 代码审查、文案润色 |
| 5. 工具调用 | LLM 调用外部 API/函数扩展能力 | LLM 缺乏实时数据或执行能力 | 查天气、发邮件、查数据库 |
| 6. 任务规划 | 将高层目标动态拆解为执行计划 | 复杂目标需要多步策略才能达成 | 深度研究、自动化工作流 |
| 7. 多智能体协作 | 多个专门化 Agent 协同完成任务 | 任务需要多种专业技能配合 | 软件开发团队、研究报告撰写 |
关键洞察：
- 提示词链（串行）+ 并行执行（并行）= 编排的基础骨架
- 规划（动态拆解）+ 多智能体（分布式执行）= 复杂任务的解决方案
- 工具调用是 Agent 连接现实世界的"手脚"
🧠 第二部分：认知机制（4个模式 · 61页）
目标：让 Agent 具备记忆、学习和上下文理解能力
| 模式 | 核心能力 | 关键概念 |
|---|---|---|
| 8. 记忆管理 | 记住对话历史与长期知识 | 短期记忆（上下文窗口）、长期记忆（向量存储）、记忆检索策略 |
| 9. 学习与适应 | 从交互中持续改进表现 | 反馈学习、在线适应、经验积累 |
| 10. 模型上下文协议（MCP） | 标准化连接外部世界 | 开放标准、客户端-服务器架构、工具/资源/提示的动态发现、与函数调用的本质区别 |
| 11. 目标设定与监控 | 确保 Agent 行为与目标对齐 | 目标分解、进度追踪、偏差检测 |
关键洞察：
- MCP 是当前行业最重要的开放标准之一（Anthropic 主导），它让 Agent 能像插电源一样接入任何外部系统
- 记忆 + 学习 = Agent 从"无状态聊天机器人"进化为"有持续能力的智能助手"
🛡️ 第三部分：容错与扩展（3个模式 · 34页）
目标：让 Agent 系统在生产环境中可靠运行
| 模式 | 核心能力 | 关键概念 |
|---|---|---|
| 12. 异常处理与恢复 | 故障检测与自愈 | 重试策略、降级方案、错误边界 |
| 13. 人机协同 | 关键节点引入人类决策 | HITL（Human-in-the-Loop）、审批流、置信度阈值 |
| 14. 知识检索（RAG） | 基于外部知识增强回答 | 向量数据库、Embedding、检索策略、重排序 |
关键洞察：
- 没有容错设计的 Agent = 玩具；有异常恢复 + 人机协同的 Agent = 生产工具
- RAG 是 Agent 获取领域知识的标配方案
🏗️ 第四部分：高级架构（7个模式 · 114页）
目标：构建企业级、可扩展、可治理的 Agent 系统
| 模式 | 核心能力 | 关键概念 |
|---|---|---|
| 15. 智能体间通信（A2A） | Agent 之间的标准化通信 | A2A 协议、消息格式、服务发现 |
| 16. 资源感知优化 | 在成本/延迟/质量间做权衡 | Token 预算、延迟优化、成本管控 |
| 17. 推理技术 | 提升 Agent 的思考深度 | CoT（思维链）、ToT（思维树）、ReAct（推理+行动） |
| 18. 护栏与安全模式 | 防止有害或不合规输出 | 输入过滤、输出审查、合规检查、越狱防护 |
| 19. 评估与监控 | 度量 Agent 系统表现 | 评估指标、可观测性、A/B 测试 |
| 20. 优先级管理 | 多任务场景下的调度策略 | 任务队列、优先级算法、资源分配 |
| 21. 探索与发现 | Agent 自主探索未知信息 | 主动学习、信息探索策略、知识缺口识别 |
关键洞察：
- 推理技术（第17章）是提升 Agent "智商"的核心杠杆
- 护栏（第18章）+ 评估（第19章）= Agent 系统的"安全与质量"双保险
- A2A（第15章）+ MCP（第10章）= Agent 互联生态的基础设施
三、7个技术附录速览
| 附录 | 内容 | 学习价值 |
|---|---|---|
| A. 高级提示技术 | 28页深度提示工程 | 掌握提示词优化的系统方法 |
| B. AI 智能体交互 | GUI 到真实世界的交互 | 多模态 Agent 设计 |
| C. 智能体框架概览 | LangChain、CrewAI、ADK 等对比 | 技术选型参考 |
| D. AgentSpace 实战 | Google AgentSpace 使用指南 | 企业级部署参考 |
| E. CLI 中的 AI 智能体 | 命令行 Agent 开发 | 开发者工具方向 |
| F. 推理引擎内部机制 | 14页底层原理解析 | 理解 Agent "大脑"如何工作 |
| G. 编程智能体 | Coding Agent 专项 | AI 辅助编程方向 |
四、推荐学习路径
🚀 快速入门路线（3-5天）
适合：想快速理解 Agent 核心原理，能动手搭建简单系统
第1天：第1章（提示词链）+ 第5章（工具调用）
→ 理解"拆分任务"和"连接外部世界"
第2天：第6章（规划）+ 第3章（并行执行）
→ 理解"动态拆解"和"并行提速"
第3天：第7章（多智能体协作）
→ 理解"团队协作"模式
第4-5天：第10章（MCP）+ 第14章（RAG）
→ 理解"标准化连接"和"知识增强"🎯 系统进阶路线（2-3周）
适合：需要设计生产级 Agent 系统的开发者/架构师
Week 1: 第一部分（核心7模式）+ 附录C（框架选型）
→ 掌握编排基础，选定技术栈
Week 2: 第二部分（认知4模式）+ 第三部分（容错3模式）
→ 让 Agent 有记忆、能容错
Week 3: 第四部分（高级7模式）+ 附录A/F（底层原理）
→ 构建企业级架构，理解底层机制🏆 专家精通路线（持续）
适合：深耕 Agent 领域的研究者/架构师
全21章通读 → 每个模式都动手实现一个最小示例
→ 对比不同框架（LangChain vs CrewAI vs ADK）的实现差异
→ 结合实际业务场景设计自定义模式组合
→ 关注 MCP/A2A 等开放标准的演进五、每章学习技巧
每章固定结构，建议按以下顺序阅读：
1. 【速览】先看末尾的"速览"部分（问题背景→解决方案→实践建议）
→ 30秒判断这章是否对你当前有用
2. 【关键要点】再看"关键要点" bullet points
→ 2分钟抓住核心概念
3. 【概述】回到开头读"模式概述"
→ 理解原理和设计意图
4. 【用例】浏览"实际应用与用例"
→ 建立模式与实际场景的映射
5. 【代码】精读"实操代码示例"（如需要动手）
→ 建议复制代码运行，修改参数观察变化
6. 【结论】最后读"结论"
→ 强化记忆，理解模式在整体中的位置六、关键框架与工具速查
| 框架/工具 | 书中角色 | 适用场景 |
|---|---|---|
| LangChain / LangGraph | 链式编排、图状态管理 | 需要灵活控制流的复杂编排 |
| CrewAI | 多智能体团队协作 | 角色分工明确的团队任务 |
| Google ADK | Google 官方 Agent 开发套件 | 需要 Sequential/Parallel/Loop Agent 的企业场景 |
| FastMCP | 快速构建 MCP 服务器 | 将现有 API 包装为 Agent 可用工具 |
| OpenAI Deep Research API | 自动化深度研究 | 需要自动收集和分析大量信息的场景 |
| Vertex AI Prompt Optimizer | 提示词自动优化 | 批量优化提示词质量 |
七、核心模式关系图
┌─────────────────┐
│ 用户请求输入 │
└────────┬────────┘
↓
┌─────────────────┐
│ 2. 路由决策 │ ← 判断请求类型
└────────┬────────┘
↓
┌────────────────┼────────────────┐
↓ ↓ ↓
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ 1. 提示词链 │ │ 3. 并行执行 │ │ 6. 任务规划 │
│ （串行拆解） │ │ （并发加速） │ │ （动态策略） │
└──────┬───────┘ └──────┬───────┘ └──────┬───────┘
↓ ↓ ↓
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ 5. 工具调用 │ │ 7. 多智能体 │ │ 4. 反思优化 │
│ （连接外部） │ │ （协作执行） │ │ （质量提升） │
└──────────────┘ └──────────────┘ └──────────────┘
↓
┌─────────────────┐
│ 10. MCP │ ← 标准化连接层
│ （通用适配器） │
└────────┬────────┘
↓
┌─────────────────┐
│ 外部世界 │
│ （API/DB/IoT） │
└─────────────────┘
支撑层：
- 8. 记忆管理 + 9. 学习与适应 = Agent 的"大脑进化"
- 12. 异常处理 + 13. 人机协同 = Agent 的"安全网"
- 14. RAG = Agent 的"知识库"
- 17. 推理技术 = Agent 的"思考深度"
- 18. 护栏 + 19. 评估 = Agent 的"质量保障"八、学习检查清单
- 能独立用提示词链实现一个 3 步以上的任务流水线
- 理解并行执行与提示词链的适用边界
- 能使用工具调用让 LLM 查询实时数据
- 理解规划模式与固定工作流的取舍原则
- 能设计一个包含 2-3 个角色的多智能体协作流程
- 理解 MCP 与函数调用的本质区别
- 能搭建一个基础的 RAG 增强问答系统
- 理解至少 2 种推理技术（如 CoT、ReAct）
- 能设计简单的人机协同节点
- 了解主流 Agent 框架（LangChain/CrewAI/ADK）的核心差异
本概览基于 《Agentic Design Patterns》中文翻译项目整理