智能体三大范式详解

1. 引言

随着大语言模型（LLM）能力的快速演进，智能体（Agent）已成为人工智能领域最受关注的方向之一。从简单的对话助手到能够自主规划、调用工具、协同完成复杂任务的系统，智能体的实现方式也在不断分化与成熟。理解智能体的三大范式，是设计高效、可靠智能系统的关键起点。

2. 范式一：ReAct（推理与行动）

ReAct 范式强调将**推理（Reasoning）与行动（Acting）**交替结合。智能体在每一步都会先基于当前状态进行思考，再决定调用哪个工具或执行哪个动作，最后根据观察到的结果继续推理，形成"思考-行动-观察"的循环。

这种范式的核心优势在于：

可解释性强：每一步推理过程都可追溯，便于调试与审计；
灵活度高：能够动态调整行动计划，适应环境变化；
适合复杂任务：在需要多步推理、逐步验证的场景中表现优异。

python 复制代码

def react_agent(question):
    thought = f"我需要先理解问题：{question}"
    action = "search_knowledge_base"
    observation = search(question)
    thought = f"根据搜索结果，我可以给出答案：{observation}"
    return thought

3. 范式二：Plan-and-Execute（规划与执行）

Plan-and-Execute 范式将任务拆分为两个阶段：先规划，后执行。智能体首先对目标进行整体拆解，生成一个包含多个步骤的完整计划，然后逐步执行计划中的每个子任务，并在必要时对计划进行调整。

与 ReAct 相比，这种范式更强调全局视角 与任务分解，适合目标明确、步骤可预见的场景，能够减少频繁推理带来的开销，提升执行效率。
#mermaid-svg-BdHslTbONcCLGzwO{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-BdHslTbONcCLGzwO .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-BdHslTbONcCLGzwO .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-BdHslTbONcCLGzwO .error-icon{fill:#552222;}#mermaid-svg-BdHslTbONcCLGzwO .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-BdHslTbONcCLGzwO .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-BdHslTbONcCLGzwO .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-BdHslTbONcCLGzwO .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-BdHslTbONcCLGzwO .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-BdHslTbONcCLGzwO .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-BdHslTbONcCLGzwO .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-BdHslTbONcCLGzwO .marker{fill:#333333;stroke:#333333;}#mermaid-svg-BdHslTbONcCLGzwO .marker.cross{stroke:#333333;}#mermaid-svg-BdHslTbONcCLGzwO svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-BdHslTbONcCLGzwO p{margin:0;}#mermaid-svg-BdHslTbONcCLGzwO .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-BdHslTbONcCLGzwO .cluster-label text{fill:#333;}#mermaid-svg-BdHslTbONcCLGzwO .cluster-label span{color:#333;}#mermaid-svg-BdHslTbONcCLGzwO .cluster-label span p{background-color:transparent;}#mermaid-svg-BdHslTbONcCLGzwO .label text,#mermaid-svg-BdHslTbONcCLGzwO span{fill:#333;color:#333;}#mermaid-svg-BdHslTbONcCLGzwO .node rect,#mermaid-svg-BdHslTbONcCLGzwO .node circle,#mermaid-svg-BdHslTbONcCLGzwO .node ellipse,#mermaid-svg-BdHslTbONcCLGzwO .node polygon,#mermaid-svg-BdHslTbONcCLGzwO .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-BdHslTbONcCLGzwO .rough-node .label text,#mermaid-svg-BdHslTbONcCLGzwO .node .label text,#mermaid-svg-BdHslTbONcCLGzwO .image-shape .label,#mermaid-svg-BdHslTbONcCLGzwO .icon-shape .label{text-anchor:middle;}#mermaid-svg-BdHslTbONcCLGzwO .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-BdHslTbONcCLGzwO .rough-node .label,#mermaid-svg-BdHslTbONcCLGzwO .node .label,#mermaid-svg-BdHslTbONcCLGzwO .image-shape .label,#mermaid-svg-BdHslTbONcCLGzwO .icon-shape .label{text-align:center;}#mermaid-svg-BdHslTbONcCLGzwO .node.clickable{cursor:pointer;}#mermaid-svg-BdHslTbONcCLGzwO .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-BdHslTbONcCLGzwO .arrowheadPath{fill:#333333;}#mermaid-svg-BdHslTbONcCLGzwO .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-BdHslTbONcCLGzwO .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-BdHslTbONcCLGzwO .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-BdHslTbONcCLGzwO .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-BdHslTbONcCLGzwO .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-BdHslTbONcCLGzwO .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-BdHslTbONcCLGzwO .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-BdHslTbONcCLGzwO .cluster text{fill:#333;}#mermaid-svg-BdHslTbONcCLGzwO .cluster span{color:#333;}#mermaid-svg-BdHslTbONcCLGzwO div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-BdHslTbONcCLGzwO .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-BdHslTbONcCLGzwO rect.text{fill:none;stroke-width:0;}#mermaid-svg-BdHslTbONcCLGzwO .icon-shape,#mermaid-svg-BdHslTbONcCLGzwO .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-BdHslTbONcCLGzwO .icon-shape p,#mermaid-svg-BdHslTbONcCLGzwO .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-BdHslTbONcCLGzwO .icon-shape .label rect,#mermaid-svg-BdHslTbONcCLGzwO .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-BdHslTbONcCLGzwO .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-BdHslTbONcCLGzwO .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-BdHslTbONcCLGzwO :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
否
接收任务目标
生成整体计划
执行子任务1
执行子任务2
计划是否需要调整
汇总结果并输出

4. 范式三：Multi-Agent（多智能体协作）

Multi-Agent 范式通过多个具有不同角色与职责的智能体协同工作，共同完成复杂任务。每个智能体可以专注于特定领域，通过消息传递、任务分配与结果汇总实现协作。

这种范式的优势在于：

专业化分工：不同智能体各司其职，提升整体能力；
并行处理：多个智能体可同时处理不同子任务，缩短耗时；
鲁棒性强：单个智能体的失败可由其他智能体补偿。

python 复制代码

class Agent:
    def __init__(self, role):
        self.role = role

    def execute(self, task):
        return f"{self.role} 处理了任务：{task}"

planner = Agent("规划者")
executor = Agent("执行者")
reviewer = Agent("审查者")

plan = planner.execute("制定方案")
result = executor.execute(plan)
final = reviewer.execute(result)

5. 三大范式对比与选型建议

范式	核心特点	适用场景	典型代表
ReAct	推理与行动交替	多步推理、动态决策	AutoGPT、LangChain Agent
Plan-and-Execute	先规划后执行	目标明确、步骤固定	BabyAGI、任务流水线
Multi-Agent	多角色协作	复杂系统、并行任务	MetaGPT、AutoGen

选型建议：若任务需要灵活应对不确定性，优先选择 ReAct；若任务结构清晰、追求效率，可选择 Plan-and-Execute；若任务规模庞大、需要多领域协同，则 Multi-Agent 更为合适。

6. 总结

智能体三大范式各有侧重，ReAct 强调推理与行动的动态结合，Plan-and-Execute 注重全局规划与高效执行，Multi-Agent 则通过协作放大整体能力。实际应用中，三者并非互斥，常常可以组合使用。理解并灵活运用这些范式，将帮助开发者构建更强大、更可靠的智能体系统。