智能体设计模式概论
课程简介
智能体开发范式：反射、工具使用、规划与多智能体协作。
🎬 本课程视频：Agentic AI — AI 智能体设计模式
Agentic AI 设计模式概论
一、从对话助手到自主智能体
传统的大语言模型使用方式停留在「一问一答」的对话模式——用户提出一个问题，模型给出一个答案。这种模式虽然简单直接，但模型只是一个被动响应的工具，它的能力被局限在单次推理的范围内，无法执行多步骤的复杂任务。
Agentic AI（智能体 AI）彻底改变了这一格局。它把大语言模型从一个被动的「聊天机器人」升级为一个自主的「行动者」（Agent）。智能体不仅能「思考」（推理），还能「行动」（调用工具）、「反思」（自我检查）、「规划」（分解任务）和「协作」（多角色配合）。
Andrew Ng 在课程中特别强调：2024年是 Agentic AI 爆发的一年。他的团队通过实验发现，单纯提升模型参数量的边际效益在递减，而采用 Agent 设计模式来编排现有模型，在某些任务上能带来 30-50% 甚至更高的质量提升。这个发现彻底改变了 AI 应用开发的技术路线图。
在学习四种核心模式之前，我们需要先理解一个问题：为什么简单的「提示词工程」不够用？
假设我们希望构建一个能够「写一份关于新能源汽车市场的分析报告」的智能系统。如果用传统方式，我们直接把指令发给 LLM，得到的结果往往存在以下问题：信息过时（模型知识截止日期之后的新数据）、数据不准确（模型可能「幻觉」错误的市场份额数字）、结构不够好（一次性输出缺少严谨的分析框架）。Agentic AI 通过以下方式解决这些问题：
- 规划模式先把任务分解为「收集最新数据→分析主要玩家→识别趋势→撰写报告」几个子任务。
- 工具使用模式让智能体调用搜索引擎获取最新市场数据，调用 Python 代码计算增长率。
- 反思模式让智能体检查生成报告中的事实错误并自我修正。
- 多智能体模式可以分配一个「研究员」负责数据收集、一个「分析师」负责趋势判断、一个「写手」负责最终文稿、一个「审核员」负责质量把控。
四种模式配合，系统的鲁棒性和输出质量远超单次 LLM 调用。
二、四种核心设计模式详解
2.1 反思模式（Reflection）
反思模式是最基础也最强大的设计模式，它的核心思想是：让 LLM 审视自己的输出并迭代改进。这模拟了人类先写初稿、检查修改、再写定稿的工作方式。
工作机制：采用双轮对话框架。第一轮，模型生成初始输出。第二轮，将初始输出与特定反思提示词一起送回模型，要求它检查并改进。这个生成-评估-改进的循环可以根据需要重复多次，直到输出质量满足阈值。
典型场景包括：代码生成（先写代码，再检查边界条件、性能问题和安全漏洞）、内容写作（先写初稿，再检查逻辑连贯性和事实准确性）、数学推理（先给出答案，再逐步验证每一步计算）。
2.2 工具使用模式（Tool Use）
工具使用模式的核心洞察是：大语言模型知识有限且不擅长精确计算，但可以通过调用外部工具来弥补这些短板。
常见的工具类型包括：
- 搜索引擎：获取实时信息
- 计算器/代码解释器：执行精确的数学计算
- 数据库查询器：访问企业私有的结构化数据
- API 调用器：操作外部 SaaS 系统的功能
工具使用采用标准化协议：每个工具用 JSON Schema 定义其名称、参数和返回值格式。智能体通过 ReAct 框架决定「什么时候调用什么工具」，并在循环中处理工具的返回结果。
2.3 规划模式（Planning）
面对复杂任务时，规划模式让智能体先制定计划再执行，并在执行过程中根据实际情况动态调整。
核心机制是任务分解：智能体将复杂目标拆解为一系列子任务，每个子任务都有明确的执行顺序、依赖关系和预期产出。动态规划更进一步，允许智能体在子任务失败或环境变化时重新规划剩余步骤。
Tree of Thoughts（思维树）框架是规划模式的前沿应用：模型同时探索多个推理分支，评估每条路径的成功概率，然后选择最优路径继续执行。
2.4 多智能体协作模式（Multi-Agent Collaboration）
孤立的智能体能力再强也有天花板。多智能体系统通过角色分工和结构化协作实现 1+1>2 的效果。
典型架构包含以下角色：
- 管理者（Manager）：负责任务分发、进度协调和冲突仲裁
- 执行者（Worker）：负责具体子任务的执行
- 审查者（Reviewer）：把控输出质量，发现问题和错误
- 集成者（Integrator）：将各部分成果合并为最终交付物
多智能体系统的核心挑战在于通信协议设计：消息需要包含发送者角色、接收者角色、消息类型、具体内容和关联任务ID，采用结构化数据格式确保可解析性和可追溯性。
冲突解决是多智能体系统的必备机制。当审查者发现问题时，系统可以：
- 退回修改：将任务退回给执行者重新处理
- 升级仲裁：交给管理者裁决
- 辩论式协作：让两个智能体互相批驳，由裁决者选定最优方案
实践表明，四角色协作系统比单一智能体的输出质量提升约 40%，在代码审查、市场分析、法律文书等复杂任务场景中表现尤为突出。
三、四种模式的组合使用
在实际应用中，这四种模式很少单独使用。一个生产级的 Agent 系统通常是它们的有机组合：
用户请求 → 规划模式（分解任务）
→ 工具使用模式（收集数据和信息）
→ 反思模式（检查并改进各步骤输出）
→ 多智能体模式（不同角色协同工作）
→ 最终输出
例如，构建一个「自动化竞争对手分析系统」：
1. 规划 Agent 将分析任务分解为「竞品识别→数据采集→功能对比→SWOT分析→报告撰写」
2. 工具 Agent 调用 Crunchbase API、SemRush API 和网页抓取工具收集数据
3. 写作 Agent 基于收集的数据撰写分析报告
4. 反思 Agent 检查报告中的事实性错误和数据引用准确性
5. 审核 Agent 最终把关输出质量
四、实践建议与最佳实践
在实际项目中引入 Agentic AI 设计模式时，建议遵循以下原则：
- 从简单开始：先尝试单个模式的简单实现，再逐步增加复杂度。不要一开始就构建复杂的多智能体系统。
- 渐进式增强：先用反思模式提高输出质量，再加入工具使用扩展能力边界，需要时再引入规划和多智能体协作。
- 评估驱动：每次引入新的设计模式前，先建立评估基准。只有真正提升指标的模式才值得投入。
- 注意成本：Agent 循环调用会增加 Token 消耗和响应延迟。为简单任务直接调用 LLM，为复杂任务才启用 Agent 框架。
- 设置安全边界：让智能体执行工具调用和自主决策时，必须设置权限边界和人工确认机制，防止意外操作。
掌握这四种核心设计模式，意味着你不再只是「用 LLM 聊天」，而是能够构建真正自主的智能系统。这是从 AI 使用者到 AI 应用构建者的关键跃迁。
六、实战思考：如何开始使用 Agentic 模式
如果你是一个开发者，想要在自己的项目中开始使用 Agentic 设计模式，以下是一些实用的建议：
从最简单的模式开始：不要一开始就尝试搭建多智能体系统。先从反思模式开始——在每次 LLM 调用后加一轮自我检查。这个改动最小，收益却非常明显。
逐步增加复杂度：当一个模式用熟练了，再加入下一个。比如先掌握了反思模式，再引入工具调用，再学习规划，最后尝试多智能体协作。
建立评估体系：在引入 Agent 模式之前，先建立 baseline 评估指标。这样你才能量化每种模式带来的真实提升。
注意成本和延迟：每种模式都会增加 Token 消耗和响应时间。在追求极致效果的同时，要为你的应用场景找到成本和质量的最佳平衡点。
七、课程路线图
本系列课程将按照以下路线图展开：
- 反思模式（Reflection）：双轮对话框架、反思提示词设计、迭代策略
- 工具使用模式（Tool Use）：ReAct 框架、工具定义规范、安全控制
- 规划模式（Planning）：任务分解、动态规划、Tree of Thoughts
- 多智能体协作模式（Multi-Agent）：角色设计、通信协议、冲突解决
- 评估与生产部署：评估体系、安全监控、护栏 Agent
每一节课都会包含完整的原理讲解、代码示例和实战案例，确保你不仅能理解概念，更能动手实现。
八、本章小结
本节课我们建立了 Agentic AI 的整体框架。核心要点：
- Agentic AI 将 LLM 从被动响应升级为主动行动
- 四种核心模式：反思、工具使用、规划、多智能体
- 模式可以灵活组合，全栈方案效果最强
- 建议从简单模式开始，逐步增加复杂度
- 建立评估体系是持续优化的基础
下一节课我们将深入讲解反思模式的完整实现。
六、实战思考：如何开始使用 Agentic 模式
如果你是一个开发者，想要在自己的项目中开始使用 Agentic 设计模式，以下是一些实用的建议：
从最简单的模式开始：不要一开始就尝试搭建多智能体系统。先从反思模式开始——在每次 LLM 调用后加一轮自我检查。这个改动最小，收益却非常明显。
逐步增加复杂度：当一个模式用熟练了，再加入下一个。比如先掌握了反思模式，再引入工具调用，再学习规划，最后尝试多智能体协作。
建立评估体系：在引入 Agent 模式之前，先建立 baseline 评估指标。这样你才能量化每种模式带来的真实提升。
注意成本和延迟：每种模式都会增加 Token 消耗和响应时间。在追求极致效果的同时，要为你的应用场景找到成本和质量的最佳平衡点。
七、课程路线图
本系列课程将按照以下路线图展开：
- 反思模式（Reflection）：双轮对话框架、反思提示词设计、迭代策略
- 工具使用模式（Tool Use）：ReAct 框架、工具定义规范、安全控制
- 规划模式（Planning）：任务分解、动态规划、Tree of Thoughts
- 多智能体协作模式（Multi-Agent）：角色设计、通信协议、冲突解决
- 评估与生产部署：评估体系、安全监控、护栏 Agent
每一节课都会包含完整的原理讲解、代码示例和实战案例，确保你不仅能理解概念，更能动手实现。
八、本章小结
本节课我们建立了 Agentic AI 的整体框架。核心要点：
- Agentic AI 将 LLM 从被动响应升级为主动行动
- 四种核心模式：反思、工具使用、规划、多智能体
- 模式可以灵活组合，全栈方案效果最强
- 建议从简单模式开始，逐步增加复杂度
- 建立评估体系是持续优化的基础
下一节课我们将深入讲解反思模式的完整实现。
【补充内容】我们再深入探讨一下 Agentic 模式的适用场景判断。什么时候应该使用全栈方案？当你的应用需要处理多个独立但相互关联的任务时，全栈方案最有效。例如一个智能客服系统——它需要先反思理解用户真实需求（反思模式），再调用公司知识库查询信息（工具使用），接着规划多步骤的服务流程（规划模式），最后可能还需要不同专业领域的智能体协作（多智能体模式）。
另一个重要话题是失败处理。Agentic 系统的一个现实问题是——每个环节都可能出错。工具调用可能失败、规划路径可能走不通、多智能体可能达不成共识。好的设计不是避免失败，而是优雅地处理失败：设置退路、提供降级方案、必要时请求人工介入。
还要强调迭代思维。第一次搭建的 Agent 系统一定不完美。关键是建立快速迭代的机制：收集失败案例、分析失败原因、优化对应环节、重新验证。这种“构建-测量-学习”的循环，比一次性追求完美方案更实际。
六、实战思考：如何开始使用 Agentic 模式
如果你是一个开发者，想要在自己的项目中开始使用 Agentic 设计模式，以下是一些实用的建议：
从最简单的模式开始：不要一开始就尝试搭建多智能体系统。先从反思模式开始——在每次 LLM 调用后加一轮自我检查。这个改动最小，收益却非常明显。
逐步增加复杂度：当一个模式用熟练了，再加入下一个。比如先掌握了反思模式，再引入工具调用，再学习规划，最后尝试多智能体协作。
建立评估体系：在引入 Agent 模式之前，先建立 baseline 评估指标。这样你才能量化每种模式带来的真实提升。
注意成本和延迟：每种模式都会增加 Token 消耗和响应时间。在追求极致效果的同时，要为你的应用场景找到成本和质量的最佳平衡点。
七、课程路线图
本系列课程将按照以下路线图展开：
- 反思模式（Reflection）：双轮对话框架、反思提示词设计、迭代策略
- 工具使用模式（Tool Use）：ReAct 框架、工具定义规范、安全控制
- 规划模式（Planning）：任务分解、动态规划、Tree of Thoughts
- 多智能体协作模式（Multi-Agent）：角色设计、通信协议、冲突解决
- 评估与生产部署：评估体系、安全监控、护栏 Agent
每一节课都会包含完整的原理讲解、代码示例和实战案例，确保你不仅能理解概念，更能动手实现。
八、本章小结
本节课我们建立了 Agentic AI 的整体框架。核心要点：
- Agentic AI 将 LLM 从被动响应升级为主动行动
- 四种核心模式：反思、工具使用、规划、多智能体
- 模式可以灵活组合，全栈方案效果最强
- 建议从简单模式开始，逐步增加复杂度
- 建立评估体系是持续优化的基础
下一节课我们将深入讲解反思模式的完整实现。
【补充内容】我们再深入探讨一下 Agentic 模式的适用场景判断。什么时候应该使用全栈方案？当你的应用需要处理多个独立但相互关联的任务时，全栈方案最有效。例如一个智能客服系统——它需要先反思理解用户真实需求（反思模式），再调用公司知识库查询信息（工具使用），接着规划多步骤的服务流程（规划模式），最后可能还需要不同专业领域的智能体协作（多智能体模式）。
另一个重要话题是失败处理。Agentic 系统的一个现实问题是——每个环节都可能出错。工具调用可能失败、规划路径可能走不通、多智能体可能达不成共识。好的设计不是避免失败，而是优雅地处理失败：设置退路、提供降级方案、必要时请求人工介入。
还要强调迭代思维。第一次搭建的 Agent 系统一定不完美。关键是建立快速迭代的机制：收集失败案例、分析失败原因、优化对应环节、重新验证。这种“构建-测量-学习”的循环，比一次性追求完美方案更实际。
延伸阅读
- 📺 B 站播放列表：Agentic AI — AI 智能体设计模式
- 📚 更多学习资源，请访问 deeplearning.ai 官网