Agent范式

1. ReAct (Reasoning and Acting) 范式

ReAct 是目前最流行、应用最广泛的 Agent 架构基础。

范式特点	优势 (Pros)	劣势 (Cons)
推理与行动的交替循环。 LLM 的输出必须严格遵循 Thought (推理) ->(工具调用)-> Observation (观察结果) 的固定结构。	高可解释性： Thought 步骤使得 Agent 决策过程透明化，易于调试和理解。	对提示词（Prompt）敏感： 依赖精确的 ReAct 格式 Prompt，如果 LLM 输出格式不正确，Agent 可能会崩溃。
即时规划和执行。 每一步的思考都是对上一步观察结果的即时反应。	强大的纠错能力： Agent 能根据 Observation 中的错误或不足，在下一轮 Thought 中迅速调整策略。	效率较低： 每一步行动都需要一次 LLM API 调用，对于长流程任务，调用次数多，成本高，延迟较大。
工具使用明确。 LLM 明确地决定要调用哪个工具和参数。	泛化性好： 适用于各种需要多步决策、外部信息获取和工具操作的复杂任务。	长时任务上下文限制： 循环次数过多会导致上下文窗口（Context Window）爆炸，需要复杂的记忆管理机制来缓解。

---

2. Plan-and-Execute (规划与执行) 范式

该范式模仿人类的“先计划后执行”模式，旨在解决 ReAct 中频繁调用的效率问题。

范式特点	优势 (Pros)	劣势 (Cons)
两阶段结构： 1. 规划阶段 (Planning)：LLM 制定完整的、分解后的任务列表。 2. 执行阶段 (Execution)：执行器按照计划列表顺序执行，通常由一个较小的、更高效的模型或硬编码逻辑驱动。	高效率： 规划阶段只需要少数几次 LLM 调用（甚至一次），执行阶段可以由更轻量级的执行器或更小的模型完成。	规划僵化： 计划一旦制定，缺乏灵活度。如果执行过程中遇到意外，Agent 难以即时调整或纠正计划。
执行与规划分离。 规划模块负责“思考”，执行模块负责“操作”。	成本可控： 减少了昂贵的 LLM API 调用次数。	对初始计划要求高： 如果初始计划有误，后续所有步骤都将受到影响，难以恢复。
专注于结构化任务。 适用于流程相对固定、步骤可预测的任务。	内存管理简单： 规划阶段的上下文压力较小。	不适合开放式环境： 在结果不可预测、需要大量实时交互和反馈（如网页浏览、复杂调试）的任务中表现较差。

---

3. Graph-Based / Tree-of-Thought (图/树形思维) 范式

这类范式不满足于简单的线性推理，而是探索多种可能性路径，进行更深度的搜索和评估。

范式特点	优势 (Pros)	劣势 (Cons)
非线性推理结构。 LLM 不只生成一个 Thought/Action 链条，而是生成多个潜在的思考路径，形成一个思维树或图。	高准确性和深度推理： 通过探索和评估多条路径，避免局部最优解，在复杂难题（如创意写作、多假设验证）中表现更佳。	计算资源消耗巨大： 需要多次、甚至指数级的 LLM 调用来探索 and 评估不同的思维路径。
自我评估机制。 LLM 必须生成一个 评估函数 或 自我批判 的步骤，来衡量每条思考路径的质量。	强大的问题解决能力： 能够处理涉及不确定性、需要回溯和复杂搜索的任务。	实现难度高： 需要复杂的机制来管理和修剪思维树，防止计算量爆炸。
结合了搜索算法。 类似于广度优先搜索 (BFS) 或深度优先搜索 (DFS)，用于探索思维空间。	最接近人类的高级思维模式。 模拟人类的反复思考、假设和否定过程。	实时性差： 由于搜索空间大，不适合需要快速响应的实时应用。

4. 总结比较

范式	核心策略	典型应用场景	适用性
ReAct	循环决策与即时工具调用	客户服务、数据分析、代码辅助、通用问答。	最通用，适用于大多数需要与外部环境交互的 Agent。
Plan-and-Execute	一次性完整规划，按部就班执行	软件部署流程、固定格式的报告生成、可预测的数据管道任务。	流程稳定、追求高效率 的场景。
Graph/Tree-of-Thought	探索多重思维路径，深度推理	复杂数学问题、科学研究、策略制定、创意内容生成。	追求最高准确度，不计成本 的复杂推理场景。