最近Herness大火我就在反思我们在日常进行智能体开发的过程中是否也在做类似的事我们用过claude code sdk、codex sdk、copilot cli等通用agent做封装也用过dify或者coze搭工作流也用过langchain做过定制化助手其实本质都是一样的在大模型的外层打一个脚手架来控制输入信息的内容和质量、来控制什么时候把该给的信息传给大模型来处理大模型的信息做拼装力求大模型可以每次稳定、优质的输出生产级产物。本次我就拿langgraph实现几个常用且典型的Agent设计模式的demo来和大家详细讲讲这几种设计模式实现逻辑。说到Agent先问大家什么是Agent大模型工作流智能体Agent主要可以分为两类:一种是workflow以固定的流程为主不同节点分别连接着逻辑处理、文本处理、大模型请求等以dify、coze、n8n等为主流。另一种是智能体可以实现执行过程中自主动态决策计划、反思、调用等动作可以完成复杂任务的执行需要定制开发。真正的智能体Agent架构可分为两大类单智能体 vs 多智能体。根据Anthropic、OpenAI、Google三大厂的agent范式定义可分为三个流派增强X型LLMWorkflow Agent141种Handoffs Tools生产模式Sequential/Loop/Parallel21种最全整体看下来用的最多的、最典型的几种vibe coding了一个langraph agent demo来说明这几种范式的原理单Agent设计范式1、ReAct模式核心思想Reason Act ReAct —— 推理与行动交错进行“边想边做”Agent 在每一步都先生成思考Thought再决定行动Action观察结果Observation循环往复直到完成任务。流程| Thought思考 | 智能体分析当前情况、分解任务、制定下一步计划或反思上一步结果 || Action行动 | 智能体决定采取的具体动作通常是调用一个外部工具 || Observation观察 | 执行 Action 后从外部工具返回的结果如搜索摘要或 API 返回值 |伪代码defreact_agent(user_task): state.messages.append(user_task) whileTrue: # ThoughtLLM 推理可能携带工具调用请求 reply llm_with_tools(state.messages) state.messages.append(reply) # Action Observation执行工具结果写回状态 if reply.has_tool_calls(): for tool_call in reply.tool_calls: observation execute_tool(tool_call) state.messages.append(observation) continue # 带着 Observation 再次推理 # LLM 不再调用工具输出最终答案 return reply.content2、Plan-and-Solve 模式核心思想先全局规划再分步执行Agent 首先生成完整的执行计划然后按照计划逐步执行每个步骤。适合任务步骤明确、需要整体优化的场景。通过预先规划Agent 能够优化整体执行路径避免局部最优。流程| 规划Planning | 生成完整执行计划 || 执行Execution | 按顺序执行每个步骤 || 评估Evaluation | 检查结果决定继续或重规划 || 完成Finish | 返回最终结果 |伪代码defplan_and_solve_agent(user_task, max_replans3): plan planner(user_task) # 生成 JSON 步骤列表 results [] current_step 0 while current_step len(plan): step plan[current_step] # 执行当前步骤可能触发工具调用 execution executor(step, previous_resultsresults) if execution.has_tool_calls(): tool_results run_tools(execution.tool_calls) results.append(record(step, tool_results)) else: results.append(record(step, execution.content)) # 评估继续、跳过还是重规划 decision evaluator(plan, current_step, results) if decision continue: current_step 1 elif decision replanand max_replans 0: plan planner(user_task, doneresults) current_step 0 max_replans - 1 else: break # 汇总所有步骤结果生成最终回答 return aggregator(user_task, results)3、Reflection 模式核心思想自我评估与迭代改进Agent 生成初始输出后通过自我反思Reflection评估质量识别问题然后进行优化Refinement循环迭代直到达到质量标准。其特点是为智能体引入一种事后post-hoc的自我校正循环使智能体能够像人类一样审视自己的工作发现不足并进行迭代优化。完整的执行-反思-优化轨迹形成宝贵的经验记录还可以扩展至多模态输出代码、图像等。流程| 生成器Generator | 生成初始输出 || 评估器Evaluator | 评估输出质量产出反馈 || 优化器Refiner | 基于反馈改进输出进入下一轮迭代 |伪代码defreflection_agent(user_task, max_rounds2): # 第一轮直接生成初稿 draft generator(user_task) round_count 0 while round_count max_rounds: # 反思节点基于原始要求 当前草稿输出改进建议不重写正文 feedback reflector( original_requestuser_task, current_draftdraft, ) # 生成节点把反馈当作新的 Human 消息输出完整改进稿 draft generator( messages[user_task, draft, feedback_as_human_message(feedback)] ) round_count 1 # 最后一次 generate 的输出即为最终结果 return draft多Agent设计范式1、Multi-agent Network网络型这种架构存在多个智能体节点每个节点之间都和相互通信并且相互委派去中心化| 拓扑结构 | 去中心化点对点通信 || 适用场景 | 强互动、无固定调用顺序的场景 || 优点 | 信息、资源和任务共享具备弹性和灵活性 || 缺点 | 通信管理复杂决策一致性较难保证 |伪代码defmulti_agent_network(user_task): state.messages.append(user_task) # 入口路由首先派给最合适的 Agent current_agent router(user_task) # 返回 researcher / coder / writer whileTrue: reply current_agent.handle(state.messages) state.messages.append(reply) # 如果 Agent 发起了工具调用执行后回到同一 Agent 继续 if reply.has_tool_calls(): tool_results run_tools(reply.tool_calls) state.messages.append(tool_results) # 工具结果路由回发起工具调用的 Agent current_agent agent_who_called_tools(state.messages) continue # 解析 Agent 在回复末尾写的 NEXT: 指令 next_name parse_next_directive(reply.content) # researcher / coder / writer / FINISH if next_name FINISH: return strip_directive(reply.content) current_agent get_agent(next_name)代码片段可切换语言无法单独设置文字格式2、Agent Supervisor监督者型一主多从一个管理者多个执行者监督者可以动态调整多个执行者的角色当然也可以固定死| 拓扑结构 | 星形监督者居中协调 || 适用场景 | 多领域任务分发、并行运行多 Agent、map-reduce 模式 || 优点 | 层级结构清晰易于管理和扩展 || 缺点 | 存在单点故障和性能瓶颈风险 |伪代码defagent_supervisor(user_task): state.messages.append(user_task) whileTrue: # Supervisor 分析任务进度发出 ROUTE: 指令 decision supervisor(state.messages) # Supervisor 认为任务完成直接输出最终答案 if decision.route FINISH: return decision.final_answer # 派发给对应的工作 Agent worker get_worker(decision.route) # searcher / coder / analyst reply worker.handle(state.messages) state.messages.append(reply) # 工作 Agent 可能调用工具 if reply.has_tool_calls(): tool_results run_tools(reply.tool_calls) state.messages.append(tool_results) # 工作 Agent 汇报结果Supervisor 下一轮继续决策 state.messages.append(worker_report(reply))3、Hierarchical Agent Teams层级型Agent Supervisor的进阶版多层级指挥和公司一样有CEO、经理、员工…| 拓扑结构 | 多层树形高层监督者管理低层监督者底层为操作智能体 || 适用场景 | 大型复杂任务、需要分布式决策的系统 || 优点 | 便于扩展分层管理清晰支持分布式决策 || 缺点 | 架构复杂层级间通信开销较大 |伪****代码defhierarchical_agent_teams(user_task): state.messages.append(user_task) whileTrue: # 顶层管理者决定交给哪个团队或直接收尾 top_decision top_supervisor(state.messages) if top_decision.route FINISH: return top_decision.final_answer # 把任务交给对应团队的子图research_team / dev_team selected_team get_team(top_decision.route) team_result run_team_subgraph(selected_team, state) state.messages.append(team_result) defrun_team_subgraph(team, state): 每个团队内部也是一个监督者循环 whileTrue: # 团队负责人决定由哪个成员处理 lead_decision team.lead(state.messages) if lead_decision.route FINISH: return lead_decision.summary # 阶段性成果返回顶层 member team.get_member(lead_decision.route) reply member.handle(state.messages) state.messages.append(reply) # 成员可能调用工具 if reply.has_tool_calls(): tool_results run_tools(reply.tool_calls) state.messages.append(tool_results) # 成员执行完毕后汇报负责人下一轮继续决策 state.messages.append(member_report(reply))总结整体看这几中范式可以覆盖我们大部分的场景但是很多情况不只是使用某一种范式而是多场景混合比如ReActPlaner、ReActReflection或者multi-agent套ReAct等需要更具实际的业务或提效场景进行搭配和调整。langgraph框架使用下来相较于dify或coze肯定灵活性很强而且比通用agent sdk更易微调和节点追踪更有langfuse和langsmith这类可追溯观测工具可以非常好的适配于生产环境开发和部署。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】