📚 文章 (
📝
字数：
1.3k
⏱
阅读时间：
5 分钟
)
系列文章见: 《回忆AI时代-从图灵机到人工智能》
什么是智能体
智能体（Agent，也常被称为 AI Agent）是指能够自主感知环境、进行推理和规划，并采取行动以实现特定目标的计算机系统。
| Agent 核心能力 |
AI Agent 工作流程示例（找一台 5000 元以内的笔记本电脑） |
🎯 Goal（目标）
↓
👀 Perception（感知）
↓
🧠 Reasoning（推理）
↓
⚡ Action（行动）
↓
💾 Memory（记忆）
↓
📄 Output（输出） |
用户提出需求
↓
分析预算与需求
↓
搜索电商网站与评测信息
↓
筛选符合条件的机型
↓
比较配置、价格与优缺点
↓
生成推荐报告
↓
输出最终结果 |
Agent与大模型区别
| 大模型（LLM） |
Agent |
| 主要负责思考和生成文本 |
负责思考 + 行动 |
| 回答问题 |
完成任务 |
| 一次性响应 |
可连续执行多个步骤 |
| 通常不能主动使用工具 |
可以调用工具和 API |
| 像顾问 |
像员工/助理 |
Agent不同的架构模式
https://chatgpt.com/c/6a2d7d85-1128-83ec-961e-94fbd431fb7b
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
| Agent
│
├── ReAct
│ ├─ 思考（Reason）
│ └─ 行动（Act）
│
├── Plan & Execute
│ ├─ 制定计划（Plan）
│ └─ 分步执行（Execute）
│
├── Multi-Agent
│ ├─ Agent A（规划）
│ ├─ Agent B（执行）
│ ├─ Agent C（评审）
│ └─ Agent D（协调）
│
└── AI Workflow
├─ 固定流程
├─ 条件判断
├─ 自动化编排
└─ Agent参与执行
|
ReAct
ReAct来源于2022年发表的论文（ https://react-lm.github.io/ ），它的构建思想思考 → 行动 → 观察 → 再思考, 以下为执行过程与案例。
| ReAct流程 |
案例 |
Question
↓
Thought
↓
Action
↓
Observation
↓
Thought
↓
Answer |
用户：新加坡今天会下雨吗？
↓
思考：需要查询天气信息
↓
行动：调用天气 API
↓
观察：返回降雨概率 80%
↓
思考：降雨概率较高，今天可能下雨
↓
回答：今天大概率有雨，建议带伞出门 |
但它有缺点：
Plan & Excute
ReAct升级版Plan & Excute,发布与2023年。
| Plan & Excute流程 |
案例 |
Goal
↓
Plan
↓
Task1 / Task2 / Task3
↓
Execute |
* 写一篇Transformer教程
* Plan：
1. 收集资料
2. 整理结构
3. 编写内容
4. 审核
* Execute：
逐步完成 |
Multi-Agent
2023-2024，一个Agent不够,多个Agent协作方式，每个Agent专注一件事。Agent流程与案例：
| 流程 |
案例 |
CEO Agent
│
├── Research Agent
├── Coding Agent
│
└── Review Agent |
PM Agent
↓
Architect Agent
↓
Developer Agent
↓
Tester Agent |
AI Workflow
2024-至今，它不需要让Agent自由思考，而是把流程固定下来，以下流程与案例：
| 流程 |
案例 |
Trigger
↓
Step1
↓
Step2
↓
Step3
↓
Result |
用户提问
↓
RAG检索
↓
知识库
↓
LLM总结
↓
返回结果 |
相关论文、核心思想、作者
| 范式 |
核心思想 |
代表论文 |
作者 |
机构 |
| ReAct |
一个 Agent 思考 + 行动交替进行 |
ReAct: Synergizing Reasoning and Acting in Language Models (2022) |
Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao |
Princeton University / Google Research |
| Plan & Execute |
先规划，再逐步执行 |
Plan-and-Solve Prompting (2023) / Plan-and-Execute 系列 |
Lei Wang, Jiacheng Liu, Xiang Ren（代表论文） |
University of Southern California (USC) 等 |
| Multi-Agent |
多个 Agent 分工协作 |
AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation Framework (2023) |
Qingyun Wu, Chi Wang, et al. |
Microsoft Research |
| Multi-Agent |
多 Agent 协作模拟组织结构 |
MetaGPT: Meta Programming for Multi-Agent Collaborative Framework (2023) |
Hongbo Zhang, et al. |
Independent / Open-source community |
| Multi-Agent |
对话式智能体社会模拟 |
CAMEL: Communicative Agents for “Mind” Exploration (2023) |
Guohao Li, et al. |
多机构合作 |
| AI Workflow |
用流程编排 Agent，而非自由推理 |
（工程范式，无单一论文）但基础来自 Tool Use / Agent Systems |
—— |
工业界（LangChain / Dify / Microsoft / n8n） |
| AI Workflow（基础研究） |
工具调用与任务分解基础 |
Toolformer (2023) |
Timo Schick, et al. |
Meta AI |
Agent框架
主流Agent框架对比
2026主流框架地图。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
| Agent
│
┌─────────────────────┼─────────────────────┐
│ │ │
▼ ▼ ▼
LangGraph AutoGen Agents SDK
(Workflow) (Multi-Agent) (OpenAI官方)
│ │ │
▼ ▼ ▼
企业落地 协作Agent Tool Calling
┌────────────────────────────────────┐
│ Low-Code Agent │
└────────────────────────────────────┘
Dify
│
▼
n8n
│
▼
Flowise
|
以下是一些开源的框架拿来就用。
当然也可以自己开发一个基于ReAct的框架，以下是整理资料时看到一个网友分享的手搓基于ReAct框架。
1
| https://github.com/MarkTechStation/VideoCode/tree/main/Agent%E7%9A%84%E6%A6%82%E5%BF%B5%E3%80%81%E5%8E%9F%E7%90%86%E4%B8%8E%E6%9E%84%E5%BB%BA%E6%A8%A1%E5%BC%8F
|
