hello agent(智能体经典范式、框架开发实践）

智能体经典范式

ReAct

让智能体使用外部工具

场景

需要外部知识的任务、需要精确计算的任务、需要与API交互的任务

智能体范式ReAct (Reason + Act)。ReAct由Shunyu Yao于2022年提出 $1$ ，其核心思想是模仿人类解决问题的方式，将推理 (Reasoning) 与行动 (Acting) 显式地结合起来，形成一个"思考-行动-观察"的循环。

ReAct 的主要特点

高可解释性、动态规划与纠错能力、工具协同能力

ReAct 的固有局限性

对LLM自身能力的强依赖、执行效率问题、提示词的脆弱性、可能陷入局部最优

调试技巧

检查完整的提示词、分析原始输出、验证工具的输入与输出、调整提示词中的示例、尝试不同的模型或参数

Plan-and-Solve

先规划 (Plan)，后执行 (Solve)

规划阶段 (Planning Phase)：首先，智能体会接收用户的完整问题。它的第一个任务不是直接去解决问题或调用工具，而是将问题分解，并制定出一个清晰、分步骤的行动计划。这个计划本身就是一次大语言模型的调用产物。

执行阶段 (Solving Phase)：在获得完整的计划后，智能体进入执行阶段。它会严格按照计划中的步骤，逐一执行。每一步的执行都可能是一次独立的 LLM 调用，或者是对上一步结果的加工处理，直到计划中的所有步骤都完成，最终得出答案。

场景

多步数学应用题、需要整合多个信息源的报告撰写、代码生成任务

Reflection

执行 -> 反思 -> 优化

场景

存在明确的优化路径、反思点清晰、优化方向明确

成本

模型调用开销增加、任务延迟显著提高、提示工程复杂度上升

收益

解决方案质量的跃迁、鲁棒性与可靠性增强

对最终结果的质量、准确性和可靠性有极高要求，且对任务完成的实时性要求相对宽松

生成关键的业务代码或技术报告。

在科学研究中进行复杂的逻辑推演。

需要深度分析和规划的决策支持系统。

Tree-of-Thought

每一步生成多个可能的思考路径，然后选择最优路径继续

总结

框架开发实战

AutoGen：AutoGen 的核心思想是通过对话实现协作

AgentScope：AgentScope 是一个专为多智能体应用设计的、功能全面的开发平台

CAMEL：CAMEL 提供了一种新颖的、名为角色扮演 (Role-Playing) 的协作方法

LangGraph：作为 LangChain 生态的扩展，LangGraph 另辟蹊径，将智能体的执行流程建模为图 (Graph)

AgentScope

异步解耦: 消息的发送方和接收方在时间上解耦，无需相互等待，天然支持高并发场景。

位置透明: 智能体无需关心另一个智能体是在本地进程还是在远程服务器上，消息系统会自动处理路由。

可观测性: 每一条消息都可以被记录、追踪和分析，极大地简化了复杂系统的调试与监控。

可靠性: 消息可以被持久化存储和重试，即使系统出现故障，也能保证交互的最终一致性，提升了系统的容错能力。

消息传递机制

灵活的消息路由: 支持点对点、广播、组播等多种通信模式，可以构建灵活复杂的交互网络。

消息持久化: 能够将所有消息自动保存到数据库（如 SQLite, MongoDB），确保了长期运行任务的状态可以被恢复。

原生分布式支持: 这是 AgentScope 的标志性特性。智能体可以被部署在不同的进程或服务器上，MsgHub 会通过 RPC（远程过程调用）自动处理跨节点的通信，对开发者完全透明。

Camal

角色扮演 (Role-Playing) 和引导性提示 (Inception Prompting)。

langgraph

LangGraph 放弃 | 的原因。对于 Agent 来说，真正重要的不是"上一个节点输出什么"，而是"整个系统当前处于什么状态（State）"

优点

高度的可控性与可预测性、高度的模块化

局限性

缺少了对话式智能体那种动态的、"涌现"式的交互

开发框架实战

LLM接入

自动推断模型提供商，通过apikey、baseurl推断

推断后从环境变量读取对应apikey、baseurl

最后根据openai规范创建llm

统一message

对内兼容，对外丰富

config

记录硬编码值，设置有默认值，用户传入值时，会覆盖默认值