旧经新练:Agent 篇
Agent 不是简单的”套壳 LLM + 给工具”。它是”推理 → 选工具 → 执行 → 观察反馈 → 再推理”的闭环系统。这篇从核心概念出发,串讲工具管理的工程解法,再到 8 种主流设计模式的演进逻辑。
一、什么是 Agent
核心定义
Agent 是基于大模型、具备决策能力的系统,能够通过调用工具完成多步任务:
1 | 用户目标 → LLM 推理(Planning) → 选工具(Tool Use) → 执行 → 观察反馈 → 再推理(循环) |
本质:一个”决策 + 执行”的闭环系统,而不是单次生成。
二、工具管理:工具多了怎么办
问题
Function Call 提供的工具数量越多,模型选择工具的准确率反而下降——选择空间大了,误选的概率自然上升。
解法一:工具路由(Tool Routing)
先做意图分类,只暴露相关的工具给模型,缩小决策空间:
- 用户要做计算 → 只保留计算相关工具
- 用户想出行 → 只保留天气、交通相关工具
具体实现:
- Tool Filtering:根据工具描述文本做 embedding,检索到 Top-K 最相关的工具
- Planner-Executor:先规划需要哪些步骤,再执行;本质上是降低 tool selection 的 entropy(熵)——选择空间减小,不确定性降低
解法二:Tool Prompt 优化
- 工具描述要清晰、避免歧义
- 工具之间功能尽量不要重叠(否则模型容易混淆)
- 不过在实际系统中(如 Claude Code 的 skill),描述通常比较简短,需要在简洁和信息量之间平衡
三、协议与框架
MCP(Model Context Protocol)
是什么:统一大模型与外部工具、数据交互的开放协议。
作用:
- 标准化工具调用
- 统一上下文传递
- 支持多 Agent 协作
可以类比为”适配器架构”:每个模型只对接 MCP,MCP 统一向外对接各种工具,实现模型与工具的解耦,提升系统可扩展性。
Skill
是什么:对一类任务能力的封装,通常由 prompt + 工具 + 执行流程 组成。
1 | "订机票" skill = 查询航班 + 筛选 + 下单 |
Skill 是可复用的任务模块,是 Agent 能力抽象层。
Agent 框架
常见的 Agent 框架有:
- LangChain / LangGraph:提供 Tool Calling、Memory、Workflow(DAG)、Multi-Agent 的能力
框架的作用是把工具调用、记忆管理、流程控制等基础设施封装好,让开发者专注业务逻辑。
四、Multi-Agent 协作
难点
| 问题 | 描述 |
|---|---|
| 通信成本 | 消息多 → 延迟高 |
| 信息不一致 | 不同 Agent 上下文不同 → 结论冲突 |
| 决策冲突 | 多个 Agent 给出不同方案 |
| 任务拆分 | 如何合理分工 |
| 循环/死锁 | 互相调用 → 无限循环 |
常见解法
- 中央调度(Planner):由一个中央规划器统一派发任务
- 角色分工(Role-based):每个 Agent 有明确职责,避免功能重叠
- 共享 Memory:所有 Agent 读写同一份上下文,保证信息一致性
- 限制调用深度:设置最大调用链深度或轮次,防止死循环
五、Agent 设计模式
以下按时间线和复杂性递增排列,理解每种模式的核心改进动机比死记架构图更重要。
1. ReAct(2022.10)
核心思想:将 Reasoning(推理)和 Acting(行动)结合起来。
在 ReAct 之前,Reasoning 和 Acting 是割裂的。比如让孩子去厨房拿胡椒粉:
- 先看台面上有没有
- 再看灶台抽屉里
- 最后看吊柜里
没有 ReAct:不管第几步找到了,ta 都会把所有地方翻一遍(按预设列表执行到底)。
有 ReAct:
1 | Thought: 台面上应该有 → Action: 查看台面 → Observation: 没有 |
模式:Thought → Action → Observation 循环,每步观察后再决策下一步。
2. Plan & Solve
核心改进:先制定完整计划,再逐步执行,且执行中可灵活调整计划。
类比:ReAct 适合”去厨房拿胡椒粉”(简单、顺序明确),Plan & Solve 适合”做西红柿炒鸡蛋”——需要计划步骤,且过程中可能变化(打开冰箱发现没西红柿了,就新增”买西红柿”这一步)。
特点:本质上是 Zero-shot CoT 的改进版,在回答前先让模型制定计划。
3. ReWOO(Reason Without Observation)
核心改进:去掉显式的 Observation 步骤,将其隐式嵌入到下一步的执行器中。
类比:常见审批流——目标是要拿到 C 文件:
- 去 A 部门拿 a 文件
- 拿 a 文件去 B 部门办 b 文件
- 拿 b 文件去 C 部门办 c 文件 → 完成
其中 B 和 C 部门对上游文件的”审查”本身就是 Observation,只是不需要显式写出来——由下一步执行器自动获取上一步的输出。
模式:Plan1 → Action1 → Plan2(依赖Plan1输出) → Action2 → ...
4. LLMCompiler
核心改进:并行执行相互独立的任务,提升效率。
问题:”张译和吴京差几岁”——搜索张译年龄和搜索吴京年龄是独立的,可以并行。
做法:Planner 生成一个 DAG(有向无环图),把互相依赖的节点串行,独立节点并行,最后合并结果。
| 模式 | 串行/并行 | 场景 |
|---|---|---|
| ReAct | 串行 | 简单顺序任务 |
| Plan & Solve | 串行 | 需要计划的任务 |
| LLMCompiler | 并行 | 多变量独立查询 |
5. Basic Reflection
核心思想:引入”检查”机制,像学生写作业、老师批改。
- Generator:生成初始答案
- Reflector:检查答案,给出改进建议
- 循环迭代直到满足条件
模式:Generate → Reflect → Revise → Reflect → ...
6. Reflexion
核心改进:在 Basic Reflection 基础上引入外部评估和强化学习的思路。
- 用外部数据(而非模型自己)来评估回答的准确性
- 强制模型反思回答中 缺失(Missing) 和 多余(Superfluous) 的部分
- 改进意见更具建设性
流程:思考(含反思) → 回答 → 评估 → 修改 → 循环
7. LATS(Language Agent Tree Search)
核心改进:融合树搜索 + ReAct + Plan & Solve + Reflection + 强化学习。
一句话:对各种模式的集大成者。
- 用树搜索探索多条推理路径
- 对每条路径做 Reward 评估(强化学习思路)
- 融入 Reflection 持续改进
- 最终拿到最佳路径
架构:多轮 Basic Reflection,多个 Generator 和 Reflector 同时工作。
提示词模板与之前的 Reflection、Plan & Solve、ReAct 差别不大,核心区别在于多了树搜索的评估和回溯机制。
8. Self-Discover
核心改进:让模型在更细粒度上对任务本身进行反思。
Plan & Solve 反思的是”计划是否需要补充”,而 Self-Discover 反思的是任务本身的拆解方式。
结构:
- Selector:从一批反思策略中选择合适的
- Adaptor:用选中的策略进行反思
- Implementor:根据反思结果重新推理
六、设计模式演进一览
| 模式 | 核心改进 | 出现时间 |
|---|---|---|
| ReAct | Reasoning + Acting 结合,Observation 驱动 | 2022.10 |
| Plan & Solve | 提前规划,可动态调整 | — |
| ReWOO | Observation 隐式化 | — |
| LLMCompiler | 并行执行独立任务(DAG 调度) | — |
| Basic Reflection | 生成 → 检查 → 修改 循环 | — |
| Reflexion | 引入外部评估 + 强化学习 | — |
| LATS | 树搜索 + 多模式融合 | — |
| Self-Discover | 对任务本身进行元反思 | — |
小结:面试怎么聊 Agent
- 定义要准确:Agent = 推理 + 工具 + 观察反馈的闭环,不是单次 response
- 工具管理有思路:路由 → 筛选 → 优化描述 → Planner-Executor,核心是降低 entropy
- 协议和框架要区分:MCP 是通信协议,Skill 是能力封装,LangChain/LangGraph 是基础设施
- Multi-Agent 要聊痛点:不要只说”可以分工协作”,要说通信成本、信息不一致、循环死锁
- 设计模式要懂演进逻辑:每一种新模式的动机比架构细节更重要——为什么之前的模式不够,新模式解决了什么
- Title: 旧经新练:Agent 篇
- Author: Ginkgo
- Created at : 2026-04-24 20:00:00
- Updated at : 2026-04-26 21:32:38
- Link: https://g1nkgo7.github.io/2026/04/24/旧经新练-Agent篇/
- License: This work is licensed under CC BY-NC-SA 4.0.