《Agentic Design Patterns》：构建智能体的21个核心模式

在人工智能从大语言模型（LLM）问答应用迈向自主智能代理（Agent）的过程中，Antonio Gulli 的《Agentic Design Patterns》一书提炼出了 21 种“智能代理设计模式”。这些模式可视为构建 AI 智能代理的经验范式，提供了解决常见问题的高效方法。通过应用这些模式，开发者能够让代理系统的结构更清晰、维护更容易、行为更可靠，避免重复造轮子。本文将围绕该书的核心理念和设计思路，梳理21种模式的作用范畴和类型，并探讨智能代理系统相较传统 LLM 应用的关键区别，以及文中涉及的典型开发框架。

Agentic 智能代理设计的核心理念

智能代理（Agentic System）是一种具备自主行为的 AI 系统，它能够感知环境，根据内置或学习到的目标自主规划并执行行动。与传统的软件或简单 LLM 应用只能按固定步骤响应输入不同，智能代理具备一定的灵活性和主动性。它不再局限于一次性回答，而是可以在感知-计划-行动的闭环中持续运作，迭代接收新信息并调整策略，直到实现既定目标。

这一闭环的自主机制使得智能代理能够完成复杂、模糊的任务。例如，一个传统聊天机器人也许只能回答问题，而一个 Agentic 智能代理则可以拆解一个复杂需求，计划多步行动，调用外部工具获取信息，甚至与其他智能体协作，一步步朝目标推进。这意味着构建这样的系统要面对许多新的挑战：如何让代理保持对话的状态和记忆？如何决定何时以及如何使用工具？多个代理如何通信与分工？如何处理错误和不确定性，确保系统健壮？

为了解决上述这些反复出现的设计难题，Gulli 将软件工程中“设计模式”的思想引入了智能代理领域，归纳出 21 个Agentic 设计模式。这些模式并非死板的规则，而是经过考验的设计模板，为常见问题提供可复用的解决方案。应用这些模式有助于提升代理系统的结构清晰度、可维护性和鲁棒性，让开发者专注于应用的独特创新，而不必从零开始处理基础机制。正如作者所言，本书提炼的21种关键模式构成了构建复杂智能代理的基础积木。这些模式涵盖了从提示链式任务处理到工具使用、从多智能体协作到自我反思改进等各个方面。

智能代理 vs. 传统 LLM 应用：有什么不同？

相较于传统的 LLM 应用，Agentic 智能代理系统体现出多方面的不同和优势：

• 自主闭环的决策：传统 LLM 一问一答即结束，而智能代理在感知-计划-行动的闭环中反复迭代，能根据环境变化调整行为，逐步逼近目标。
• 明确的目标驱动：智能代理通常被赋予明确的目标或任务，并能自主制定计划、监控进展、调整策略以完成目标。LLM 则一般缺少长期目标概念。
• 工具使用与环境交互：智能代理可以调用外部工具、访问数据库或网络，以获取最新信息或执行物理/数值操作。这拓展了能力边界，而传统 LLM 只能凭训练知识回答。
• 多智能体协作：Agentic 系统可以由多个专长各异的代理组成，他们通过通信协议协作解决复杂任务，例如一个代理负责规划，另一个执行查询等。传统单一 LLM 则无法实现内部协作。
• 长期记忆与学习：智能代理通常拥有记忆机制，能保存对话和知识，并通过反馈不断学习与适应，使性能随时间提升。相比之下，典型 LLM 应用每次交互都是独立的，没有持续改进能力。
• 安全与可靠性机制：在智能代理中往往内置了安全护栏（如输出过滤、权限限制）和错误恢复等机制，防止产生不良行为并能从异常中恢复。而普通 LLM 应用对出错或不当输出的控制相对有限。

21种智能代理设计模式一览

书中详细介绍了 21 种 Agentic 设计模式。以下按作用范畴对它们进行归纳：

任务流程模式：

• 提示链（Prompt Chaining）：将复杂问题拆解成一系列串联的提示步骤，逐步解决子问题，降低单次推理负担。这种链式任务分解确保每步输出为后续输入，使大型任务更可靠和可控。
• 路由（Routing）：为代理引入条件分支逻辑，根据用户意图或状态选择不同的处理路径或子代理。路由模式使系统可以智能分配请求，确保每种任务由最合适的流程或工具处理。
• 并行化（Parallelization）：让代理能够并发执行多个子任务，提高整体效率。当任务的各部分相对独立时，可同时处理以节省时间，例如一边查讯息一边翻译文本，最终汇总结果。

- 推理与自我改进模式：

• 反思（Reflection）：代理在生成初始结果后主动进行自我评估，通过内部“评论员”找出错误或不足，并迭代改进答案。这种模式引入反馈回路，让代理“批改”自己的输出，多轮优化直至满意为止。
• 推理技巧（Reasoning Techniques）：一组增强 AI 思考深度的策略，如链式思考、树状探索(Tree-of-Thought) 等。这些技术让代理可以评估多种方案、在内部模拟推理过程，从而做出更严谨的决策。
• 探索与发现（Exploration & Discovery）：赋予代理主动探索未知领域的能力，鼓励其在解题时尝试多种途径、发掘新信息或新思路，寻找“未知的未知”。这一模式类似于研究员的心态，使AI能够跳出现有知识范围去创新解答。

工具与多智能体模式：

• 工具使用（Tool Use）：赋能代理调用外部工具或服务来完成自身无法胜任的子任务。例如，借助计算器执行数学计算，调用搜索引擎获取实时资讯。通过工具使用，代理的能力大大扩展，不再局限于模型训练内容。
• 多智能体协作（Multi-Agent）：构建由多个智能体组成的协同系统，各代理分工配合完成复杂任务（例如一个负责规划，一个负责执行查询）。这种模式下代理之间通过消息或共享内存通信，实现类似团队协作的效果。
• 智能体通信（Inter-Agent Communication，A2A）：定义代理与代理之间交换信息的协议和机制，确保不同智能体（甚至不同框架实现的代理）能够互相理解并高效协作。例如 Google 提出的 A2A 协议，就为跨系统的代理通信提供了标准方案。

记忆与知识管理模式：

• 记忆管理（Memory Management）：为代理设计短期记忆（上下文）和长期记忆（知识库），保证其对话或任务过程中的关键信息不会遗失。通过摘要旧内容、提取要点等手段，代理能在有限上下文窗口内尽量保持状态连续，提高对话的一致性。
• 学习与适应（Learning and Adaptation）：赋予代理根据经验反馈自主改进的能力，例如通过强化学习尝试不同策略、从人工反馈中学习更优回应。该模式使代理不再是固定策略，而是可以持续优化，越用越智能。
• 模型上下文协议（Model Context Protocol，MCP）：一种由 Anthropic 等提出的开放标准协议，用于将 AI 模型连接外部环境。MCP 标准化了模型与数据源或工具交互的方式，有点类似 AI 世界的 “USB 接口”，让代理可以无缝对接各种数据库、API 和其它模型，获取所需上下文信息。
• 知识检索（Knowledge Retrieval，RAG）：即“检索增强生成”模式，当代理需要回答知识型问题时，先检索外部知识库或文档，再将结果融入 LLM 提示。这样代理的回答基于最新事实，有据可依，大幅降低了幻觉和错误风险。

规划与目标管理模式：

• 规划（Planning）：使代理能够针对给定目标制定多步骤计划，将高层目标分解为可执行的具体行动序列。规划模式强调代理具备前瞻性，不只是被动响应当前输入，而是有条理地朝最终目标迈进，必要时可在执行中调整计划。
• 目标设定与监控（Goal Setting & Monitoring）：让代理明确设定目标状态，并在执行过程中持续监控进展。代理会将自己的行为与目标对照，自主判断是否偏离、需要纠正。这一模式确保智能体始终围绕既定目的行动，而不会在复杂过程中迷失方向。
• 优先级排序（Prioritization）：当代理面临众多任务或目标时，使用此模式对行动顺序进行智能安排。代理会根据紧急度、重要性、依赖关系等标准评估各任务优先级，先处理最关键事项，避免资源分散或关键目标延误。

系统优化与安全模式：

• 资源感知优化（Resource-Aware Optimization）：使代理在执行中兼顾效率与成本，智能管理调用外部API、模型大小、计算资源等。比如在需要大量查询时切换到更经济的调用方式，或并行/延迟部分非关键任务，以优化性能表现。
• 异常处理与恢复（Exception Handling & Recovery）：提供应对错误和异常的模式，当代理遇到失败或异常状况时，可以优雅地捕获错误、回滚状态、进行诊断，并尝试自我纠正或切换策略来恢复正常运行。这保证了系统的稳健性，即使发生意外也不会整个崩溃。
• 安全护栏（Guardrails/Safety Patterns）：在代理中部署多层次的安全机制，防止输出有害内容或违规操作。例如对代理的请求/响应进行过滤，限制其操作权限仅在允许范围，设置“原则”让其遵循道德规范。一系列安全模式确保代理的行为可控、可信，满足伦理和安全要求。
• 人类在环（Human-in-the-Loop）：引入人类监督或干预环节，当代理面对超出能力范围或高风险决策时，可以自动请求人工确认或帮助。这种人机协作模式结合了AI的效率和人类的判断力，在需要准确性或伦理把关的场景下尤为重要。
• 评估与监控（Evaluation & Monitoring）：针对智能代理建立持续评估其表现的机制，包括质量评估、性能监控和日志追踪等。开发者可以通过这些手段了解代理决策是否正确、高效，及时发现问题并改进模型。这相当于给智能体添加了“仪表盘”和“体检”功能，保证其运行在可观测、可优化的状态。

代表性框架与实践

为了方便读者上手实践，书中在示例代码中使用了几个常见的智能代理开发框架作为“画布”：

• LangChain 与 LangGraph：LangChain 是当前流行的用于构建提示序列和链式调用的 Python 框架，LangGraph 则是其具备有状态图结构的扩展。书中大量示例借助 LangChain 来实现如提示链、路由等模式，读者可以通过其简洁的 API 将不同模型调用、工具使用组织起来。
• Crew AI：一个专注于多智能体编排的框架，便于定义多个 AI 代理的角色和任务，并协调它们协同工作。对于实现多智能体协作模式，Crew AI 提供了现成的结构。
• Google Agent Development Kit (ADK)：Google 提供的智能代理开发套件，包含构建、评估和部署代理的工具。ADK 常与 Google 的模型和基础设施集成，适合作为另一种实践平台。书中通过 ADK 演示了一些模式在工业级环境下的实现方法。

不同框架各有侧重，但核心理念相通。通过横跨多个平台的示例，作者展示了这些设计模式具有普适性：无论使用哪种工具，都能将模式的思想应用其中。大家可以根据自身项目需要选择合适的框架，将本书的模式融会贯通到实际开发中。

总结

《Agentic Design Patterns》浓缩了智能代理系统设计的经验，以模式的形式为 AI 从业者和爱好者提供了实践指南。从任务分解、规划决策，到工具调用、多代理协作，再到安全保障、自我优化，这21种模式几乎构建了一个智能体所需的全部关键组件。能帮助我们在快速发展的 AI 前沿建立可重用的最佳实践，大幅降低开发复杂智能代理的门槛，让开发者能够专注于应用独特的需求和创意。对于希望将大模型应用推向新高度的开发者来说，这本书提供的思想和范式具有借鉴价值。掌握并善用这些模式，能更从容地打造出面向现实世界挑战的自主智能体系统。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

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‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发