一、ReAct（Reasoning + Acting）
一句话总结：边想边做
ReAct是 Agent 领域最经典、最基础的范式，也是绝大多数 Agent 系统的起点。它解决了 Agent 领域最原始的问题：任务过程不确定，无法预先知道需要哪些步骤。
它的核心思想非常朴素：让大模型在『思考』和『行动』之间交替进行，通过与环境的持续交互来推进任务，而不是一次性生成完整答案。
很多任务根本不是一次工具调用就能完成的，大模型无法通过单次推理预测出最终的执行路径，必须依赖中间步骤的反馈来决定下一步动作。
思考过程：
思考：分析当前收集到的信息与最终目标的差距，生成下一步的行动意图
行动：将意图转化为标准的外部工具调用参数（如 API 请求、SQL 查询）
观察：接收外部环境或工具返回的真实数据，并将该数据注入到下一次的上下文输入中
二、Plan-and-Executor
ReAct 解决了『让 Agent 动起来』的问题，但它的灵活性也带来了致命缺陷：当任务变得复杂且漫长时，模型很容易在执行过程中偏离目标、重复调用工具，或者陷入过度思考的死循环。
Plan-and-Executor 把整个任务分成了两个独立阶段，可由不同的模型进行处理
工作流程：
规划阶段（通常 1 次）：深入理解用户的最终目标，把复杂大任务拆解成清晰有序的小步骤，确定每个步骤的目标、输入、输出以及相互依赖关系，最终生成完整的结构化执行计划
执行阶段：按照计划依次执行每个小步骤，每个步骤可以直接调用工具完成或者用简单的 ReAct 循环
三、Reflection（反思式）
ReAct 解决了 『怎么让 Agent 动起来』 的问题，Plan-and-Execute 解决了 『怎么让 Agent 不迷路』 的问题
那如何保证 Agent 做的事情是对的？无论是 ReAct 还是 Plan-and-Execute，它们都有一个共同特点：只向前走，不回头看。
典型的如编程、写作场景，让 Agent 写代码，往往有很多 bug；让 Agent 写文章，可能有很多逻辑错误或事实错误。
工作流程：
生成：根据任务要求和已有信息，生成初步的结果
反思：站在第三方视角，按照预设的评估标准（如正确性、完整性、可读性）对结果进行批判性检查，列出存在的问题和改进点
修正：针对反思发现的问题，对结果进行针对性修改和完善
四、Multi-Agent
一个人做不完的活，分给几个人一起做，有点分而治之的思路
一个 Agent 既要理解需求，又要查资料，又要写代码，又要测试，又要 Review，很容易出现上下文爆炸，也容易顾此失彼。
常见有指挥官、流水线、圆桌讨论三种模式
1）指挥官 - 工人模式（最常用）
存在一个明确的中央协调者（指挥官），拥有最高决策权。它负责理解全局目标、拆解任务、分配子任务给工人 Agent、汇总结果并进行最终验收。工人 Agent 只负责执行自己擅长的具体子任务，不参与全局决策。
一个项目经理指挥几个普通工程师
2）流水线模式
任务被拆分成多个连续的、线性的阶段，每个阶段由一个专门的 Agent 负责。前一个 Agent 的输出是后一个 Agent 的唯一输入，信息沿着流水线单向流动，没有反馈回路。
比如将内容创作流程拆分：
选题 Agent → 写作 Agent → 编辑 Agent → 排版 Agent → 发布 Agent。
3）圆桌讨论模式
所有 Agent 地位平等，没有中央决策者。它们通过轮流发言、交换信息、提出观点、互相辩论的方式，共同探索问题的解决方案，最终通过投票或共识来做出决策。
一个战略决策团队包括市场分析师 Agent、技术专家 Agent、财务专家 Agent、风险评估 Agent
五、Agentic Workflow（工作流式）
预定义好步骤，模型一步一步做，用规则和流程控制整体路径，用大模型处理每个节点的具体工作
工作流程：
1.预先定义标准化的业务流程和执行规则
2.在需要智能处理的节点嵌入大模型能力
3.由规则引擎控制流程的流转和分支判断
4.在关键节点设置人工审核和兜底机制
评论区