【Agent智能体7 | 智能体设计模式】

声明：本篇博客是以吴恩达的【Agent智能体】教程为基础，并对其中的内容做了笔记整理以及个人收获的总结。

这篇文章主要是简单介绍一些常用的智能体设计模式，后面会详细介绍每一个智能体的设计模式，这些模式可以帮助思考如何将构建模块组合成更复杂的工作流

智能体设计模式概览

1. 反思
2. 工具使用
3. 规划
4. 多智能体协作

反思（Reflection）

单个LLM的反思

这个图展示了同一个 LLM 承担"编写"和"审查"两个工作。

人类提出需求："Please write code for {task}"（请为某任务编写代码）。

• 初始生成： Coder Agent 生成了第一版初始代码 def do_task(x)。
• 反思： 系统将生成的第一版代码放入一个特定的提示词模板中（右上角黑框），要求 LLM 仔细检查代码的正确性、风格和效率，并给出建设性的改进意见。
• 自我纠错： Coder Agent 审视自己刚才写的代码，发现了问题（例如："第5行有个bug，通过...修复"或"未通过单元测试3"）。
• 迭代输出： 基于自己的反思，Coder Agent 重新编写代码，迭代出 v2 甚至 v3 版本，直到代码完善。

总结：让智能体自己检查，用反馈不断的迭代，生成更好的输出版本

多个智能体的反思

还是同样的需求，不过这次同一个任务由两个不同的智能体来协作完成！

• 分工 ： 左边的 Coder Agent 专职负责写代码，右边新增了一个 Critic Agent（审查员智能体） 负责代码审查（Code Review）。
• 审查：Coder Agent 写出第一版代码后，交由 Critic Agent 进行审阅。Critic Agent 按照右上角的审查标准，给出具体的修改建议（指出bug和未通过的测试）。
• 根据反馈迭代： Coder Agent 接收到 Critic Agent 的批评和建议后，进行针对性的修改，生成改进后的 v2 和 v3 版本。

工具使用（ToolUse）

"工具使用"是给 AI 装上了"手和脚"，让它能够与外部世界互动，并弥补自身的先天缺陷。

• 网络搜索工具 (Web search tool)
  • AI 没有直接凭记忆瞎编，而是调用了搜索引擎去查找最新的评论信息。这让 AI 能够获取实时的、外部的客观事实。
• 代码执行工具 (Code execution tool)
  • AI 知道自己算术不准，于是它选择编写一段 Python 代码 （value = principal*(1 + interest_rate)years）并将其发送给后端的代码解释器去运行。这样就能得到 100% 准确的数学结果，避免了幻觉。

开发者为LLM提供了各种工具：

• 分析 (Analysis)： 用于精准计算和数据处理。例如：代码执行环境、Wolfram Alpha（专业计算引擎）。
• 信息收集 (Information gathering)： 用于突破知识盲区。例如：网络搜索、查阅维基百科、直接读取企业的内部数据库（Database access）。
• 生产力 (Productivity)： 用于执行现实世界的动作。例如：帮用户发邮件 (Email)、在日历上安排会议 (Calendar)、发送消息 (Messaging)。
• 图像处理 (Images)： 扩展多模态能力。例如：生成图片、识别图片内容 (Image captioning)、提取图片中的文字 (OCR)。

规划（Planning）

户提出的 "Request" (请求)，它包含两个部分：

• 任务 A：生成图像。 条件是：一个女孩正在读书，且她的姿势必须与提供的 example.jpg 中的男孩相同。
• 任务 B：语音描述。 条件是：对新生成的图像用语音进行描述。

这是一个非常具有挑战性的请求，因为它要求系统：

1. 理解文本语义 (女孩在读书)。
2. 进行条件图像生成，并保持特定的、非自然姿势（骑滑板车的姿势应用到读书上）。
3. 从图像生成文本。
4. 从文本生成语音。

AI会对复杂的任务进行规划，然后按照步骤执行：

• 第一步：姿势提取 (Pose Determination)
  • 输入： 用户的示例图片 example.jpg（男孩骑滑板车）。
  • 动作： 调用 "openpose model"。
  • 输出： 提取出一个彩色的、简化的姿势骨架图（skeleton）。
• 第二步：姿势到图像生成 (Pose-to-Image)
  • 输入： 第一步得到的骨架图 + 用户的文本请求（"一个女孩读书"）。
  • 动作： 调用 "google/vit model"这些工具
  • 输出： 生成一张新的图片：一个女孩在床（或沙发）上读书，且她的姿势（腿部的弯曲、身体的倾斜）与滑板车男孩的骨架姿势非常相似，尽管场景和人物完全变了。这是核心的条件生成步骤。
• 第三步：图像转文本 (Image-to-text)
  • 输入： 上一步新生成的女孩读书图。
  • 动作： 调用 "vit-gpt2 model"
  • 输出： 生成一句文字描述："A girl is sitting on a bed reading a book."
• 第四步：文本转语音 (Text-to-Speech)
  • 输入： 上一步生成的文字描述。
  • 动作： 调用 "fastspeech model"。
  • 输出： 一个扬声器图标，代表最终输出一段对该描述的语音播报。

总结：规划中，LLM会决定需要采取哪些行动顺序，这个例子中就是一系列Api的调用，这样模型就能正确的执行每一步，开发者无需提前硬编码，而是由LLM自主决定执行哪些步骤

多智能体协作（Multi-agent collaboration）

这张图展示了多智能体工作流这种设计模式。

核心思想：将一个复杂的任务拆解，分配给多个扮演不同角色的 AI 智能体，让它们通过协作、沟通甚至辩论来共同完成任务，这比依赖单一 AI 效果更好。

如果这篇文章对你有帮助，欢迎点赞、评论、关注、收藏。你们的支持是我前进的动力！