Agent 认知模式

维度	ReAct	Plan-and-Execute	Self-Ask	Thinking + Self-Reflection
核心思想	边推理边行动	先规划后执行	先拆子问题再检索	先思考再反思修正
主要动作	工具调用	计划执行	提问检索	检查优化
决策方式	动态，每步调整	静态，先定计划	围绕原问题逐步追问	先生成，再评审
适合任务	探索型任务	结构化任务	多跳事实问答	高质量生成/检查
优点	灵活	清晰、成本较低	可解释、适合检索	输出质量更稳
缺点	成本高、步骤多	计划错会影响后续	子问题拆错会偏	调用次数多，可能过度反思
典型场景	智能客服、研究助手	报告生成、批处理	人物关系、事实链查询	文案润色、方案优化、代码审查

[ReAct 模式深度解析（重探索）](#ReAct 模式深度解析（重探索）)

[Plan-and-Execute 模式深度解析](#Plan-and-Execute 模式深度解析)

[Self-Ask 回路验证模式（重检索）](#Self-Ask 回路验证模式（重检索）)

[Thinking and Self-Reflection 偏差修正与自我改进模式](#Thinking and Self-Reflection 偏差修正与自我改进模式)

ReAct = Reason + Act，也就是"走一步，看一步，边做边想"。

它的核心特点是：模型每一步都会根据当前问题和工具返回结果，动态决定下一步做什么：思考 → 调用工具 → 观察结果 → 再思考 → 再调用工具 → 最终回答

ReAct 更适合：

缺点是模型调用次数可能较多，长任务成本高、速度慢，也更容易在多轮工具调用中出错。

Plan-and-Execute = 先规划，再执行。

它的核心特点是：先让模型一次性把任务拆成明确步骤，然后程序按步骤执行，最后再让模型总结。流程是：任务 → 生成计划 → 执行步骤 → 汇总结果

Plan-and-Execute 更适合：

缺点是灵活性较低。如果一开始计划错了，后续执行就会跟着错，通常需要重新规划。

Self-Ask 的核心思想是：复杂问题先拆开问，再逐步查，最后综合回答。

模型面对复杂问题时，不急着直接回答，而是先拆成 Follow-up Questions，再调用搜索或工具获取答案，最后综合。原始问题 → 子问题 → 检索答案 → 继续子问题 → 最终综合

局限	说明
依赖拆解质量	模型拆分子问题的质量直接影响最终答案。如果子问题拆错、漏拆或问偏，最终答案也会偏。
可能过度拆解	对于一些可以直接常识推理的问题，Self-Ask 可能拆出太多不必要的子问题，流程显得冗余。
成本可能上升	如果每个子问题都要调用一次模型或外部 API，整体调用次数会增加，成本和延迟都会上升。

Thinking + Self-Reflection = 先深度思考，再自我检查修正。

特点是模型先分析目标、步骤和风险，再生成答案，然后像审稿人一样检查自己的答案，最后优化输出。任务 → 深度思考 → 初步答案 → 自我反思 → 修正答案