Agent 开发

[!summary] 本文把“智能体经典范式（怎么思考与执行）”和“框架开发实践（怎么工程化落地）”合并为一份速记。

第一部分：三大经典范式

下面按《第四章 智能体经典范式构建》里提到的三种智能体模式做一个抓重点总结：ReAct、Plan-and-Solve、Reflection。 ([GitHub][1])

1) ReAct（Reasoning and Acting）

核心思想：把 Thought、Action、Observation 放进同一闭环，边推理边行动，利用外部反馈持续修正。 ([GitHub][2])

典型流程：

  • Thought：分析现状、决定下一步
  • Action：调用工具或输出最终答案
  • Observation：读取工具结果并更新上下文
  • 循环直到完成或达到步数上限

优势：

  • 可解释性强
  • 动态纠错快
  • 特别适合工具驱动任务（搜索/计算/API）

局限：

  • 依赖模型格式遵循与推理稳定性
  • 多轮调用带来时延与成本
  • 提示词和解析链条较脆弱

2) Plan-and-Solve

核心思想：先规划（Plan）再执行（Solve），通过“先出蓝图”提升执行稳定性。 ([GitHub][1])

典型流程：

  1. Planning：分解任务并输出步骤计划
  2. Solving：按计划逐步执行，前一步结果作为后续上下文

优势：

  • 结构清晰、目标一致性高
  • 适合路径确定、内部推理密集任务

局限：

  • 计划偏静态，执行中遇到新情况需要额外动态重规划机制

3) Reflection

核心思想：执行后反思、反思后修订，通过迭代提升质量与可靠性。 ([GitHub][1])

典型流程：

  1. Execution：先生成初稿
  2. Reflection：从评审视角给结构化反馈
  3. Refinement：基于初稿与反馈生成改进版
  4. 多轮迭代直到收敛或到上限

优势：

  • 显著提升代码/方案类输出的可用性与正确性

关键配套：

  • 需要记忆/轨迹存储，保留每轮执行与反馈支撑持续优化

三者怎么选

  • ReAct：信息不全且要边探索边调用工具
  • Plan-and-Solve：路径较确定且要稳定多步执行
  • Reflection：质量优先且接受更高迭代成本

第二部分：四大框架实践

1. 为什么从手写走向框架

  • 复用与效率：封装通用循环，减少重复造轮子
  • 解耦与扩展：模型/工具/记忆分层，替换更容易
  • 状态管理：支持长时运行与多轮状态追踪
  • 可观测调试：回调与钩子提升排障效率

2. 四个代表框架抓重点

2.1 AutoGen（对话协作优先）

  • 核心理念：多智能体协作抽象为自动群聊
  • 关键机制：autogen-core + autogen-agentchat、异步优先、角色分工（AssistantAgent / UserProxyAgent）
  • 案例：软件团队协作做实时比特币价格 Web 应用

2.2 AgentScope（工程化优先）

  • 核心理念：面向企业级生产，强调分布式、容错、可观测
  • 关键机制：消息驱动 + 组合式架构，并发执行、状态管理、工具并行
  • 案例：三国狼人杀，突出结构化约束、并发投票、异常兜底

2.3 CAMEL（轻量角色扮演）

  • 核心理念：用最少人工编排驱动角色协作
  • 关键机制：Role-Playing + Inception Prompting
  • 案例：AI 心理学家 + AI 作家协作写拖延症科普电子书

2.4 LangGraph（图状态机工作流）

  • 核心理念：把流程建模为状态机有向图
  • 关键机制：Nodes + Edges + 全局 State
  • 案例：三步问答助手、条件路由循环（add_conditional_edges）
  • 权衡：流程可控性强，但设计与调试复杂度更高

3. 一页选型速查

框架最适合场景主要优势主要代价
AutoGen多角色对话协作协作自然、上手快成本与流程稳态约束压力
AgentScope企业级并发与分布式工程化能力强接入与学习成本更高
CAMEL轻量实验与创作协作机制简洁、验证快对提示依赖高
LangGraph强流程控制与循环任务状态显式、可控性强样板与调试复杂度高

总结

  • 范式决定“思考与行动方式”。
  • 框架决定“工程落地能力”。
  • 实战里通常是组合使用：先选范式，再用合适框架把范式稳定实现。

参考