2025年AI Agent九大设计模式排行榜实战指南

引言

聊点干货。之前在一次内部交流中，分享了关于“从 YC 项目看 AI 趋势以及 AI Agent 开发工具类产品该如何设计”的一些想法，反馈还不错。但回看视频时，总觉得分享可以讲得更透一些。所以，今天这篇内容，就专注聊聊那次分享里最核心的部分——Agent 的九种设计模式。

先放一张全景图镇楼。

相关资料，包括论文链接、原作者博客、LangChain 的代码实现等，都已经整理好。接下来，我们逐一拆解每种模式的原理，并结合代码实现来理解。懂一些代码，对产品经理来说尤其重要，因为这些设计模式本质上，都是以结构化 Prompt 的方式“藏”在代码里的。

ReAct 模式

这是 LLM Agent 的开山之作，发表于 2022 年 10 月。现在看来思路很简单，但在 ChatGPT 还没面世的当时，让大模型学会使用工具，确实是极具开创性的尝试。

1. ReAct 原理

ReAct 的核心理念，就是把“思考”和“行动”这两个原本割裂的过程结合起来。没有 ReAct 之前，就像你让孩子去厨房拿一瓶胡椒粉，你只能一步步告诉他要做什么（COT 提示词策略）：先看看台面上有没有，再拉开灶台底下的抽屉，最后打开油烟机左边的吊柜。问题是，不管在哪一步找到了，孩子还是会按部就班地把所有地方都翻一遍。

有了 ReAct，流程就变成了这样:

Action 1: 看看台面上有没有。Observation 1: 没有。执行下一步。

Action 2: 拉开灶台底下的抽屉。Observation 2: 找到了。Action 3: 拿出来。

是的，就是这么简单。论文作者提到，人类智能的一项关键能力，就是“带语言推理的行动”。每次行动后，都会有一个“碎碎念”（Observation），相当于让 Agent 维持短期记忆，知道自己做了什么，离目标还有多远。

ReAct 实现（通过代码理解原理）

翻看了几个开源项目后，挑选了一个最容易理解、最产品经理友好的实现。看完你就会明白，所有 Agent 设计模式的本质，都是将人类的思维模式或管理流程，以结构化 Prompt 的方式告诉大模型，让它去规划、调用工具执行，并不断迭代——这一点非常重要。

代码逻辑可以梳理为下图（值得仔细看）：

1. 生成提示词。将预设好的 ReAct 提示词模板（格式为 Question → Thought → Action → Observation）和用户的问题合并，得到最终的 Prompt。

2. 调用大模型生成 Thought + Action。将上述 Prompt 发给大模型。但此时，我们并不想让它直接生成 Observation。通过代码中的 Stop 参数（遇到 Observation 就停止输出），大模型就只返回 Thought 和 Action。

3. 调用外部工具。拿到 Action 后，判断是不是“Finish”。如果不是，就利用大模型的 Function Calling 能力，将 Action 后的自然语言转换为外部工具能识别的 API 接口。

4. 生成 Observation。API 返回结果后，再将其转换为自然语言，生成 Observation。然后将 Observation 连同之前的 Thought、Action 一并输入给大模型，重复步骤 2 和 3，直到 Action 为 Finish。

5. 完成输出。将最后一步的结果转化为自然语言输出给用户。

从这个流程可以看出，要让一个 Agent 落地到具体场景，需要定制两项内容：一是 Prompt 模板中 Few-shot 示例的内容，二是 Function Calling 中的外部工具定义。而 Few-shot 示例，本质上就是结构化的人类思维模式。学会了这个方法，你就能用同样的思路去理解其他设计模式了。

Plan and solve 模式

顾名思义，就是先有计划，再来执行。如果说 ReAct 更适合完成“去厨房拿胡椒粉”这种相对简单的线性任务，那么 Plan & Solve 则更适合“西红柿炒鸡蛋”这种复杂任务——你需要先计划好步骤，并且过程中计划可能会变化。比如，当你打开冰箱发现没有西红柿时，“购买西红柿”就成了一个新步骤，需要插入到计划中。

提示词模板方面，论文标题说得很直白：《Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models》。简单说，就是对 Zero-Shot 方法的提升。

架构上由两部分组成：

• 规划器：负责让 LLM 生成一个多步计划来完成大任务。代码中分为 Planner 和 Replanner。Planner 负责生成初始计划；Replanner 则是在完成单个任务后，根据当前进度进行重新规划。
• 执行器：接收用户查询和规划中的步骤，调用一个或多个工具来执行。

Reason without Observation

REWOO（Reason without Observation）是相对 ReAct 中的 Observation 来说的。ReAct 的 Prompt 结构是 Thought → Action → Observation，而 REWOO 则去掉了 Observation。但实际上，它只是将 Observation 隐式地嵌入到了下一步的执行单元中，由下一步的执行器自动去“观察”上一步的输出。

举个例子，常见的审批流程就是环环相扣的：我们的目标是完成 C，步骤是先从部门 A 拿到 a 文件，然后拿着 a 去部门 B 办理 b 文件，最后拿着 b 去部门 C 办理 c 文件。这其中，B、C 部门对 a、b 文件的审查本身就是一类 Observation。

架构上由三个组件组成：

• Planner：生成一个相互依赖的链式计划，明确定义每一步依赖上一步的输出。
• Worker：循环遍历每个任务，将任务输出分配给相应变量，并在后续调用中用变量结果替换变量。
• Solver：整合所有输出，生成最终答案。

LLMCompiler

“Compiler”在计算机科学中的意义，就是如何编排任务以提高效率。原论文题目《An LLM Compiler for Parallel Function Calling》非常直白——通过并行 Function Calling 来提高效率。比如，用户提问“张译和吴京差几岁”，Planner 会同时发起“搜索张译年龄”和“搜索吴京年龄”两个任务，最后合并结果即可。

提示词对 Planner 的要求，核心是希望生成一个 DAG（有向无环图），以便并行执行不冲突的任务。

架构上分为一个 Planner（规划器）和一个 Jointer（合并器）。

Basic Reflection

这个模式可以类比为学生（Generator）写作业，老师（Reflector）批改并给出建议，学生根据建议修改，如此反复。

Prompt 的设计，就是复刻师生之间的交互过程。

架构上由一个 Generator 和一个 Reflector 组成。

Reflexion

Reflexion 是 Basic Reflection 的升级版，论文标题是《Reflexion: Language Agents with Verbal Reinforcement Learning》，本质上是强化学习的思路。与 Basic Reflection 相比，它引入了外部数据来评估回答是否准确，并强制让 Agent 发现自己回答中多余或缺失的部分，使反思更具建设性。

在 Prompt 方面，会让大模型在回答问题前先进行反思和批判性思考，明确有没有遗漏或重复，然后再回答，最后进行针对性的修订。

架构上，有一个自带批判式思考陈述（Critique）的 Responder，以及一个以 Critique 为上下文对初始回答进行修改的 Revisor。

Language Agent Tree Search

LATS 的论文标题很直白：《Language Agent Tree Search Unifies Reasoning Acting and Planning in Language Models》。它是 Tree Search + ReAct + Plan & Solve + Reflection 的融合体。在原始论文图中可以看到，LATS 通过树搜索的方式进行奖励评估，同时融入反思，从而找到最优结果。所以，LATS = Tree search + ReAct + Plan & solve + Reflection + 强化学习。

架构上，就是多轮 Basic Reflection，包含多个 Generator 和 Reflector。

Self-Discover

Self-Discover 的核心，是让大模型在更细粒度的层面上对任务本身进行反思。Plan & Solve 反思的是任务是否需要补充，而 Self-Discover 反思的是任务本身。

在 Prompt 方面，Self-Discover 会列出一系列反思方式，让 Agent 自行选择最合适的。

结构上由三个组件组成：

• Selector：从众多反思方式中选择合适的。
• Adapter：使用选定的方式进行反思。
• Implementor：反思后进行重新推理。

Storm

Storm 的论文标题是《Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models》，核心思路是：从零生成一篇类似维基百科的长文。主要是让 Agent 先利用外部工具搜索并生成大纲，再根据大纲填充每部分内容。

Prompt 的模板主要围绕如何生成大纲、如何丰富大纲内容来设计。

架构上，先有主题，然后生成大纲，再根据大纲丰富内容，包含一个大纲生成器和一个内容生成器。

总结

以上就是目前总结的 Agent 九大设计模式。需要明确的是，没有最好的设计模式，只有最适合的。最终还是要从用户需求出发，选择最契合的那个。

所有的资料已经整理成表格，有新的设计模式出现也会及时更新。