AI Agent 设计范式的演进之路：从工具调用到多智能体协作

真正理解 Agent，不是学会堆砌概念，而是看清它如何一步步"长"出思考、规划、自省与协作的能力。本文将通过开源项目案例，带你走完这条演进之路。

引言

如果说大语言模型是大脑，那么 Agent 就是让大脑拥有"双手"和"工作流"的完整系统。

当我们回顾 AI Agent 的演进历程，会发现一条清晰的能力进化链：

工具调用（基础能力）
    ↓
ReAct（推理 + 行动交替）
    ↓
Plan & Execute（先规划后执行）
    ↓
Reflection（自我反思与修正）
    ↓
Multi-Agent（多角色协作）

其中，Tool‑calling 是所有范式的共同基石；而后面四种，则是逐步复杂化的完整工作流范式。本文沿着这条演进路径，逐一拆解每种设计模式，并为每一种配上真实的开源项目案例，让你既有理论认知，又有实践抓手。

0. 地基：Tool‑calling ------ Agent 的"双手"

它是什么？

在 Agent 诞生之前，大模型只能输出文本。Tool‑calling（函数调用）让它第一次能够与外部世界交互：查天气、发邮件、调 API、操作数据库......

本质上，它是一个原子动作：

用户输入 → 模型识别意图 → 调用指定工具 → 返回工具结果

它的定位

• 不是什么：不是完整的工作流，没有循环、规划、反思。
• 是什么：所有高阶 Agent 范式中"Action"环节的主流实现方式。

就好比人类的手 ：你可以用它来拿杯子、敲键盘，但"有手"并不等于你有了做事的方法论。方法论的起点是下一个环节------ReAct。

🔗 延伸阅读

Tool-calling 本身是一个活跃的研究领域。例如，EMNLP 2025 上发表的 Toolscaler 论文指出：为每个工具分配唯一 token 的方案存在表示空间线性增长的问题，并提出了结构感知语义分词来压缩工具表示。这说明了 Tool-calling 作为基础能力，仍在持续进化中。

1. 第一范式：ReAct ------ 让 AI "边想边做"

演进动机

仅有工具调用时，模型只能执行单次指令，无法根据观察结果调整下一步行动。我们需要一个循环推理机制。

核心思想

ReAct = Reason + Act，将"推理"与"行动"交替进行，每一步都基于当前观察做出下一步的思考与决策。

工作流程

Thought → Action → Observation → Thought → Action → ... → Answer

• Thought：Agent 用自然语言写下的"内心独白"，回答"我现在知道什么、接下来该做什么"
• Action：调用工具或给出答案
• Observation：工具返回的结果

🔗 开源项目：Autono

• GitHub：https://github.com/vortezwohl/Autono
• 定位：基于 ReAct 范式的高鲁棒性自主 Agent 框架

核心设计亮点：

• 动态行动生成：每一步的行动由模型动态决定，而非依赖 LLM 规划器生成的固定工作流
• 及时放弃策略：引入概率惩罚机制，当任务成功率过低时主动放弃，避免无限循环
• 记忆转移机制：支持多 Agent 间的共享记忆和动态更新
• MCP 协议兼容：可无缝集成各种工具和数据源

什么时候用它？

• 多轮交互且路径不确定的任务（如客服对话、信息检索）
• 需要根据实时反馈调整策略的场景

2. 第二范式：Plan & Execute ------ 让 AI "三思而后行"

演进动机

ReAct 虽然灵活，但"走一步看一步"的方式在多步骤任务中效率低下，且可能中途"迷路"。人类做事通常是：先定计划，再按计划执行。

核心思想

规划与执行分离：

• Planner：将用户目标拆解为有序的子任务列表
• Executor：依次执行每个子任务（借助工具调用）
• Replanner：当执行失败或信息变化时，重新生成计划

工作流程

Plan → Execute Step1 → Replan → Execute Step2 → ... → Response

🔗 开源项目：Eino ADK Plan-Execute Agent

• 文档：https://www.cloudwego.io/docs/eino/core_modules/eino_adk/agent_implementation/plan_execute/
• 定位：字节跳动开源的 Go 语言 Agent 框架，与 CloudWeGo 生态深度集成

核心设计（三 Agent 协作）：

1. Planner：生成初始任务计划（结构化步骤序列）
2. Executor：执行当前步骤，调用外部工具（搜索、计算、数据库等）
3. Replanner：评估执行进度，决定继续（生成新计划）或终止

代码示例（Go）：

planExecuteAgent, err := planexecute.NewPlanExecuteAgent(ctx, &planexecute.Config{
    Planner:       planner,   // 规划器
    Executor:      executor,  // 执行器
    Replanner:     replanner, // 重规划器
    MaxIterations: 10,
})

什么时候用它？

• 明确的多步骤批处理任务（如报告生成、数据处理、业务流程自动化）
• 需要流程完整性和可追溯性的企业场景

3. 第三范式：Reflection ------ 让 AI 学会"自我批评"

演进动机

无论 ReAct 还是 Plan & Execute，第一次生成的答案往往不是最优的。人类写文章要改几稿，写代码要调试......我们想让 Agent 也拥有自我审视与修正的能力。

核心思想

Agent 生成输出后，通过评估 → 反思 → 迭代的循环来提升质量。

经典实现是 2023 年提出的 Reflexion 架构：

• Actor：生成初步答案
• Evaluator：评估答案质量
• Reflector：生成自然语言的"反思意见"
• Memory：存储反思意见，供下一轮生成使用

下一轮生成会结合历史输出与反思意见进行修正，而非完全从零开始重写。

工作流程（循环）

Generate → Evaluate → Reflect → Update Memory → Generate (based on history + feedback) → ...

🔗 开源项目：Reflexion（官方实现）

• GitHub：https://github.com/noahshinn/reflexion
• 定位：Reflexion 论文的官方实现，由论文一作 Noah Shinn 发布

核心设计：

• Actor：基于 ReAct 范式的任务执行器
• Evaluator：评估任务完成质量（如代码能否通过测试）
• Reflector：LLM 将评估结果转化为自然语言的"反思意见"
• 记忆机制：反思意见存入长期记忆，指导下一轮行动

技术亮点：

• 在 HumanEval 代码生成任务中，Reflexion 将 pass@1 从 67% 提升至 88%
• 在 AlfWorld 家务机器人任务中，成功率从 73% 提升至 97%

延伸项目 - Memos Local Plugin：

• NPM：https://www.npmjs.com/package/@memtensor/memos-local-plugin
• 定位：为 AI Agent 提供"反思驱动进化"的记忆系统
• 核心：四层记忆架构（L1 trace → L2 policy → L3 world model → Skill），通过反馈驱动持续学习

什么时候用它？

• 对输出质量要求极高的场景（代码生成、论文润色、创意写作）
• 希望 Agent 具备长期自我进化能力的系统

4. 第四范式：Multi‑Agent ------ 让多个 AI "团队作战"

演进动机

单个 Agent 能力再强，也有三个天花板：

1. 认知广度：一个角色难以兼顾产品、开发、测试、合规等多视角
2. 并行能力：复杂任务中的独立子任务无法同时推进
3. 对抗性决策：没有辩论，容易陷入偏见

核心思想

多个 Agent 分工协作，通过对话、投票、辩论等方式共同完成目标。

🔗 开源项目一：AutoGen（微软）

• GitHub：https://github.com/microsoft/autogen
• 定位：微软开源的对话式多 Agent 协作框架

核心设计：

• 对话驱动架构：Agent 之间通过自然语言对话完成协作
• 内置 Agent 类型：AssistantAgent（执行任务）、UserProxyAgent（模拟人类输入/执行代码）
• 多种控制流：支持"两 Agent 对话"、"群聊"、"层级管理"等多种协作模式
• AutoGenBench：内置评测工具，便于性能验证

适用场景：科研项目、代码生成、跨系统任务协作

🔗 开源项目二：CrewAI

• GitHub：https://github.com/crewAIInc/crewAI
• 定位：角色驱动的多智能体协作框架

核心设计：

• 角色分工机制：每个 Agent 有明确的 role、goal 和 backstory
• 任务编排 ：通过 Process 定义任务执行顺序（顺序/层次）
• 工具共享：Agent 之间可共享工具集
• 可视化任务编排：降低复杂协作的开发门槛

代码示例（Python）：

from crewai import Agent, Task, Crew

researcher = Agent(
    role='资深研究员',
    goal='发现突破性技术',
    backstory='你是一位在AI领域工作20年的专家'
)

writer = Agent(
    role='技术写作者',
    goal='用通俗语言解释复杂概念',
    backstory='你是顶尖科技媒体的主编'
)

crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff()

适用场景：内容创作、数据分析、多步骤协作任务

🔗 开源项目三：agent-colosseum

• PyPI：https://pypi.org/project/agent-colosseum/
• 定位："Make AI agents fight, research, and review each other"

四种竞技模式：

模式	工作机制	适用场景
Debate	Pro vs Con + Judge，强制对抗	事实性问题、推理
Research	多角色调研 → 交叉质询 → 综合	多视角研究分析
Red Team	一人辩护，多人攻击 → 强化主张	安全测试、压力测试
Peer Review	作者陈述 → 评审 → 修订	内容审查、论文评审

数据证明：据项目文档，Multi-Agent Debate 在推理任务上比 Single-Agent 有显著提升。

什么时候用 Multi-Agent？

• 需要不同角色视角的复杂项目（软件开发、市场调研、内容审核）
• 需要并行处理和对抗性决策的场景
• 单一 Agent 已经无法满足质量或效率要求的任务

一张演进全景图

演进阶段	核心范式	开源代表项目	解决的核心问题	主要代价	典型失败模式
地基	Tool‑calling	(作为能力内置)	让模型执行具体动作	无流程控制	单次调用无法处理复杂任务
第一阶	ReAct	Autono	动态环境下的逐步推理与行动	高成本、可能循环	陷入无限循环，步数耗尽
第二阶	Plan & Execute	Eino ADK	多步骤任务的效率与稳定性	计划敏感	计划一步出错，后续全盘皆输
第三阶	Reflection	Reflexion	输出质量的自适应提升	高成本、迭代风险	过度修正，陷入死循环
第四阶	Multi‑Agent	AutoGen / CrewAI	分工、并行、对抗决策	系统复杂度高	通信开销爆炸，协调失效

重要说明 ：这些范式不是互斥的，而是可以组合使用。例如：一个 Multi‑Agent 系统中的每个 Agent 内部可能采用 ReAct + Reflection；Plan & Execute 的执行步骤中可以嵌入 Reflection 循环来提升环节质量。

组合使用的真实案例

组合方式	典型系统	实现逻辑
ReAct + Reflection	Reflexion	Actor 使用 ReAct 执行任务，Reflector 对执行结果进行反思，形成闭环
Plan & Execute + Multi-Agent	MetaGPT	多个 Agent 分别扮演产品、开发、测试等角色，按 Plan & Execute 的流程协作
Multi-Agent + ReAct	AutoGen	每个 Agent 内部使用 ReAct 范式进行推理和行动，Agent 之间通过对话协作

如何选择演进路线？

• 任务只是单步指令 → 直接使用 Tool‑calling（甚至不需要 Agent 框架）
• 多轮交互且路径不确定 → 从 ReAct 开始（参考 Autono）
• 明确的多步骤批处理任务 → Plan & Execute 效率更高（参考 Eino ADK）
• 对质量要求极高 （代码、论文） → 在基础范式上叠加 Reflection（参考 Reflexion）
• 单一 Agent 搞不定 → 考虑 Multi‑Agent（参考 AutoGen 或 CrewAI）

💡 工程原则：从不复杂的范式开始，随着需求增长逐步演进。不要一开始就搭建 Multi‑Agent，那很可能是过度设计。

写在最后

AI Agent 的设计不是一道选择题，而是一条演进路。从 Tool‑calling 这一双手开始，ReAct 给了它思考的节律，Plan & Execute 给了它结构化的步法，Reflection 给了它自我修正的眼睛，最终 Multi‑Agent 让它可以组建一支交响乐团。

理解这条演进路径，远比死记硬背概念更重要。而当你真正动手实现时，希望文中的开源项目能成为你值得参考的"他山之石"。

如果你在实践中摸索出了新的模式，或者对某个项目有更深入的问题，欢迎一起讨论。

主要参考文献

1. Reflexion 论文官方实现：https://github.com/noahshinn/reflexion
2. AutoGen 微软多 Agent 框架：https://github.com/microsoft/autogen
3. CrewAI 角色驱动协作框架：https://github.com/crewAIInc/crewAI
4. Eino ADK 字节跳动开源：https://www.cloudwego.io/docs/eino/
5. Autono ReAct 框架：https://github.com/vortezwohl/Autono
6. agent-colosseum 竞技模式：https://pypi.org/project/agent-colosseum/
7. Memos 反思记忆插件：https://www.npmjs.com/package/@memtensor/memos-local-plugin

注：本文中的"范式"特指 Agent 工作流的顶层组织模式。Tool‑calling 作为基础能力被单独列出，避免概念混淆。