Agent 架构模式

同一组工具与记忆，编排方式 决定延迟、成本与可调试性。本课对比 ReAct、CoT、Planner-Executor、DAG Agents——在 ai-agents 路线图 上从「能跑」到「可维护」的关键一步。入门工作流见 agt-workflow。

学习目标

• 说清四种模式的控制流与适用任务
• 会选择单 Agent 循环 vs 多角色分工
• 知道何时用 DAG 固定流水线

ReAct

Reason + Act：每步输出思考（可选）、调工具、读 observation，直到结束。

while not done and steps < MAX:
    msg = llm.chat(history, tools=tools)  # 可能含 tool_calls
    if msg.tool_calls:
        for tc in msg.tool_calls:
            history.append(run_tool(tc))
    else:
        return msg.content

优点	缺点
灵活、易实现	步数不可控、难并行
与主流 API 天然契合	长链易 drift

适合：开放调研、故障排查、工具种类少的中等任务。

Chain-of-Thought（CoT）

先推理再行动；Planner 用 CoT 产出 JSON plan，Executor 低 temperature 逐步执行。与 ReAct 比：CoT 批量规划，ReAct 边想边做——实时证据变化快时 ReAct 更稳。

Planner-Executor

角色	职责
Planner	拆任务、选工具顺序、不写副作用
Executor	严格按计划调工具，参数校验
（可选）Replanner	工具失败时局部重规划

plan = planner.create(goal, tools_catalog)
for step in plan.steps:
    result = executor.run(step)
    if result.failed and plan.allow_replan:
        plan = replanner.patch(plan, step, result)

适合：步骤清晰、需 审计计划、执行层要强约束的企业流程。

DAG Agents

把子任务画成 有向无环图，节点可并行：

        ┌─ search_docs ─┐
start ──┤               ├── merge ── summarize ── end
        └─ web_search ──┘

适用	不适用
ETL、批处理、固定 pipeline	高度依赖上一步结果的探索型任务
要并行降延迟	计划频繁大变

框架如 LangGraph 常用来表达 DAG + 条件边（见 aga-frameworks）。