AI Agent 核心模式详解

先看全局：从简单到复杂

Agent 模式不是越复杂越高级。一个可靠的系统，通常从单次调用开始，逐步增加工具、流程、并行、评估和自主性。

这张图的读法很简单：越往右，系统越能处理开放问题，但也越需要成本控制、状态管理、日志、评估和安全护栏。新手做第一个项目时，通常停在“工具调用”或“提示链”就够了。

基础构件：增强型 LLM

任何 Agent 系统的基础，都是一个配备了额外能力的 LLM：

如果只有模型，没有工具和反馈，通常只是“会聊天的应用”；有了工具、状态和检查点，才开始接近 Agentic System。

五个常见工作流模式

1. 提示链（Prompt Chaining）

把任务拆成固定步骤，前一步输出给下一步。

Input -> Draft -> Check -> Rewrite -> Final

适合：写作、翻译、报告生成、固定格式转换。

判断标准：如果你能提前写出 3-5 个稳定步骤，就先用提示链。

2. 路由（Routing）

先判断输入类型，再分发到不同流程。

Input -> Classifier -> Support / Refund / Technical / Sales

适合：客服、内容审核、不同模型分流。

判断标准：如果不同问题需要不同提示词、工具或权限，就需要路由。

3. 并行化（Parallelization）

同时运行多个子任务，再汇总结果。

Input -> Split -> Worker A + Worker B + Worker C -> Merge

适合：多角度审查、并行资料收集、多个维度评分。

判断标准：如果子任务互不依赖，或者你需要多路投票提高置信度，就可以并行。

4. 编排者-执行者（Orchestrator-Workers）

一个中心模型动态拆任务，再派给多个 worker。

Goal -> Orchestrator -> Worker tasks -> Synthesis -> Result

适合：代码修改、多源研究、复杂项目任务。

判断标准：如果你不知道要改几个文件、查几个来源、跑几轮测试，就让编排者动态拆分。

5. 评估者-优化者（Evaluator-Optimizer）

一个模型生成，另一个模型评估并给反馈，循环改进。

Generate -> Evaluate -> Improve -> Evaluate -> Final

适合：翻译、长文打磨、搜索报告、代码审查。

判断标准：如果“好坏标准”可以说清楚，而且多轮改进确实会变好，就值得用。

完全自主 Agent 什么时候出现

当任务路径无法预先确定时，才需要更自主的 Agent：

User goal -> Agent loop -> Tool result -> Agent decision -> ... -> Done

典型场景包括：

• 代码 Agent 处理一个真实 issue：读文件、改代码、跑测试、修失败。
• 研究 Agent 围绕一个问题多轮搜索、筛选、交叉验证。
• 电脑使用 Agent 根据屏幕反馈完成一串操作。

注意：完全自主不等于完全放权。越自主，越需要停止条件、人工检查点、审计日志和沙箱环境。

新手选模式的决策表

工具设计原则：ACI 比提示词还重要

ACI（Agent-Computer Interface）可以理解成“Agent 使用电脑和工具的界面”。工具定义得不好，模型再强也会犯错。

设计工具时优先做到：

1. 描述清楚：工具做什么、不做什么、什么时候该用。
2. 参数直白：字段名像给初级开发者看的文档。
3. 边界明确：删除、发送、支付、写入生产数据必须有确认。
4. 容易验证：工具返回结果要能被下一步判断，不要只返回“成功”。
5. 真实测试：用典型任务观察 Agent 是否会误用工具。

框架和 API 怎么选

Anthropic 的建议仍然值得新手记住：先用最简单的方法，理解底层模式后再引入框架。