AI Agent（智能体）正在成为大语言模型应用的主流范式。从 2023 年 ReAct 模式引爆行业关注，到 2024-2025 年 Plan-and-Execute、Reflection 等高级模式的成熟，Agent 架构已经从"能跑通"进化到"可工程化"阶段。本报告系统梳理当前主流的 AI Agent 设计模式，涵盖核心推理范式、工具使用机制、错误处理策略、多 Agent 通信架构，并结合业界典型案例进行分析。
核心发现:
发布日期: 2026-03-14 | 更新: 2026-03-15（v1.1 补充 MCP/A2A 协议、Swarm/ADK 框架对比）
分类: 方法论
关键词: Agent, ReAct, Plan-and-Execute, Reflection, 工具使用, 错误处理, 多Agent通信
ReAct 是最早被广泛采用的 Agent 设计模式，由 Yao et al. (2022) 提出。其核心思想是将推理（Thought）与行动（Action）交替进行，形成一个循环链路。
工作流程:
Thought: 我需要查询今天的天气
Action: search_weather("北京")
Observation: 北京，晴，15°C
Thought: 用户想了解北京天气，我已获得结果
Final Answer: 北京今天天气晴朗，气温15°C
优势:
局限:
适用场景: 简单问答、单步工具调用、快速原型验证。
实际案例: OpenAI 的 ChatGPT 插件系统本质上采用了 ReAct 模式——模型决定何时调用插件、如何解析返回结果。LangChain 的 AgentExecutor 默认也是 ReAct 链路。
Plan-and-Execute 模式将任务分解为两个阶段：先制定完整计划，再逐步执行。这种模式在 2024 年成为主流，被 LangGraph、CrewAI、AutoGen 等框架广泛采用。
工作流程:
阶段1 - 规划:
Plan:
1. 搜索目标公司的财务数据
2. 分析近3年营收趋势
3. 对比同行业竞品
4. 生成分析报告
阶段2 - 执行:
Step 1: search_financials("公司A") → 获得数据
Step 2: analyze_trends(data, years=3) → 趋势分析
Step 3: compare_competitors("公司A", industry="科技") → 竞品对比
Step 4: generate_report(all_findings) → 最终报告
关键变体:
a) 固定计划 (Fixed Plan) 规划阶段生成完整计划后一次性执行，不再修改。优点是确定性强，缺点是无法应对执行中的意外。
b) 动态重规划 (Dynamic Replanning) 每个步骤执行后评估结果，必要时调整后续计划。这是更鲁棒的实现方式：
执行 Step 1 → 结果不完整 → 重新规划
Revised Plan:
1. 搜索目标公司财务数据（换用数据源）
2. 补充搜索行业报告
3. ...
c) 分层规划 (Hierarchical Planning) 大目标分解为子目标，每个子目标再分解为具体步骤。适合长期复杂任务。
优势:
局限:
业界采用: LangGraph 的 PlanAndExecute 链、Microsoft Autogen 的 GroupChat 模式、CrewAI 的任务分解机制都采用了这一范式。
Reflection 模式引入了"生成-评估-改进"的迭代回路。Agent 不仅执行任务，还会对自己的输出进行批判性评估，然后迭代改进。
典型流程:
第1轮:
生成: 撰写产品需求文档 v1
评估: 检查文档的完整性、准确性、逻辑性
反馈: "第3节缺少用户场景描述，第5节技术方案过于笼统"
第2轮:
改进: 基于反馈修改文档 v2
评估: 再次检查
反馈: "整体质量达标，建议微调措辞"
第3轮:
最终修改 → 输出 v3
三种 Reflection 变体:
| 变体 | 描述 | 适用场景 |
|---|---|---|
| Self-Reflection | 单个 Agent 自己评估自己的输出 | 简单任务、快速迭代 |
| Peer Review | 一个 Agent 生成，另一个 Agent 评估 | 需要客观视角、避免自恋偏差 |
| Tree of Thoughts | 多条推理路径，反射后选择最优 | 开放性问题、创意任务 |
优势:
局限:
推荐策略: 设置 2-3 轮迭代上限，并用明确的评估标准（如 checklist）引导 Reflection，避免开放式评估。
a) LATS（Language Agent Tree Search） 结合蒙特卡洛树搜索，Agent 在行动前探索多条可能路径，评估每条路径的预期收益，选择最优路径执行。适合需要前瞻推理的任务（如棋类、策略规划）。
b) STORM（Synthesis of Topic Outlines through Retrieval and Multi-perspective） 专为长文写作设计。先通过多角度提问收集信息，再生成大纲，最后逐步填充内容。斯坦福大学提出的这一模式在生成 Wikipedia 风格长文时表现突出。
c) Evaluator-Optimizer（评估器-优化器） 一个 LLM 生成内容，另一个 LLM 担任评估器，提供结构化反馈。本质上是 Reflection 的双 Agent 版本，但评估标准更明确。
工具使用是 Agent 与外部世界交互的核心能力。设计良好的工具使用机制能显著提升 Agent 的可靠性和实用性。
最佳实践:
tools = [
{
"name": "search_web",
"description": "搜索互联网获取最新信息。当需要实时数据、新闻或验证事实时使用。",
"parameters": {
"query": {"type": "string", "description": "搜索查询语句"},
"num_results": {"type": "integer", "default": 5}
}
},
{
"name": "execute_code",
"description": "执行 Python 代码并返回输出。用于数据计算、文件处理等。",
"parameters": {
"code": {"type": "string", "description": "要执行的 Python 代码"},
"timeout": {"type": "integer", "default": 30}
}
}
]
关键原则:
query 比 q 好，target_file 比 arg1 好a) Function Calling（函数调用） 由 LLM 直接输出结构化的函数调用请求，框架解析并执行。这是 OpenAI、Anthropic、Google 等主流 API 的标准方式。
模型输出: {"name": "search_web", "arguments": {"query": "2025 AI trends"}}
框架执行: search_web("2025 AI trends")
结果返回给模型继续推理
b) Code Generation（代码生成） Agent 生成完整代码块执行。适合需要多个步骤组合操作的场景。
示例 — Agent 输出如下 Python 代码并执行：
import requests
data = requests.get("https://api.example.com/data").json()
filtered = [d for d in data if d["score"] > 0.8]
print(f"高分记录: {len(filtered)} 条")
c) Tool Chaining（工具链） 预定义工具调用序列，Agent 只需填充参数。适合标准化流程。
推荐: Function Calling 是目前最成熟的方式，建议优先采用。Code Generation 灵活性高但安全风险大，必须在沙箱中执行。
工具返回的结果需要妥善处理：
| 结果类型 | 处理方式 |
|---|---|
| 成功 + 完整数据 | 直接传递给 LLM 继续推理 |
| 成功 + 数据量大 | 摘要压缩后再传递，避免超出上下文窗口 |
| 部分成功 | 标记警告，让 Agent 决定是否重试或换策略 |
| 失败 + 可重试 | 自动重试（最多 3 次），每次增加等待时间 |
| 失败 + 不可重试 | 返回错误描述，让 Agent 选择替代方案 |
Token 管理: 工具返回的长文本需要截断或摘要。建议对超过 2000 字符的结果自动进行摘要，保留关键信息。
Agent 系统的错误处理是生产化的关键瓶颈。据 LangSmith 统计，约 90% 的 Agent 失败源于工具调用和外部依赖环节。
层1 - 自动恢复 (Automatic Recovery)
# 重试机制: 指数退避
for attempt in range(max_retries):
try:
result = execute_tool(tool_name, params)
break
except RateLimitError:
wait = 2 ** attempt + random.uniform(0, 1)
time.sleep(wait)
except TimeoutError:
if attempt == max_retries - 1:
return {"error": "工具超时，建议稍后重试"}
层2 - Agent 自我修正 (Self-Correction)
将错误信息反馈给 LLM，让它自己修正：
错误: Tool "web_search" not found. Available tools: search_web, search_docs
Agent 修正: 改用 search_web 并重试
层3 - 降级策略 (Graceful Degradation)
图3.2 三级降级策略：正常情况下调用实时 API；API 失败时自动切换到本地缓存（标注缓存时间）；无可用缓存时，使用模型训练知识回答（标注"基于训练数据"），确保服务不中断。
层4 - 人工介入 (Human-in-the-loop)
设置明确的人工介入触发条件：
Agent 陷入循环是最常见的生产事故之一。检测方法：
class LoopDetector:
def __init__(self, window_size=5, similarity_threshold=0.85):
self.history = []
def check(self, current_action):
self.history.append(current_action)
if len(self.history) > window_size:
self.history.pop(0)
# 检查是否在重复相同操作
for prev in self.history[:-1]:
if similarity(prev, current_action) > similarity_threshold:
return True # 检测到循环
return False
中断策略:
当单个 Agent 无法胜任复杂任务时，多 Agent 协作成为必然选择。
a) 星型拓扑 (Star) 一个协调者（Orchestrator）负责分配任务和汇总结果。
优点：控制集中，容易管理优先级和冲突 缺点：协调者成为瓶颈和单点故障
b) 管道拓扑 (Pipeline) Agent 按顺序排列，前一个的输出是后一个的输入。
优点：结构简单，适合流水线任务 缺点：无法并行，前一步失败则全部阻塞
c) 网状拓扑 (Mesh) Agent 之间可以自由通信，形成动态协作网络。
优点：灵活性最高，容错性强 缺点：通信复杂度 O(n²)，可能出现"聊天噪音"
d) 层次拓扑 (Hierarchical) Agent 组织成树状结构，上层 Agent 协调下层 Agent。
优点：可扩展性强，职责清晰 缺点：通信延迟，上层决策影响全局
结构化消息格式:
{
"message_id": "uuid-v4",
"from": "agent-researcher",
"to": "agent-writer",
"type": "task_assignment",
"content": {
"task": "撰写关于X的技术分析",
"context": {...},
"deadline": "2025-01-20T18:00:00Z",
"priority": "high"
},
"requires_response": true,
"conversation_id": "conv-123"
}
消息类型:
task_assignment: 分配任务task_result: 返回结果question: 请求澄清review_request: 请求审阅approval_request: 请求审批broadcast: 广播通知当多个 Agent 的输出出现矛盾时：
多 Agent 系统需要共享状态来协调工作：
MCP（Model Context Protocol） 是由 Anthropic 于 2024 年 11 月开源的协议标准，旨在解决 AI Agent 与外部工具/数据源之间的碎片化连接问题。MCP 采用客户端-服务器架构，类似于 "AI 版的 USB-C 接口"——一个协议连接所有工具。
核心架构:
三大核心原语:
| 原语 | 方向 | 说明 |
|---|---|---|
| Resources | Server → Client | 数据读取（文件、数据库记录、API 响应），由应用控制 |
| Tools | Client → Server | 可执行操作（搜索、写入、调用 API），由模型控制 |
| Prompts | Server → Client | 预定义的提示模板，由用户控制 |
传输层: MCP 支持两种传输方式：
生态现状（截至 2025 年 3 月）:
MCP 的优势:
MCP 的局限:
A2A（Agent-to-Agent Protocol） 是 Google 于 2025 年 4 月联合 50+ 家技术公司发布的开放协议，旨在解决 Agent 之间互操作性的问题。如果说 MCP 是 Agent 连接工具的标准，A2A 就是 Agent 连接其他 Agent 的标准。
核心设计理念:
核心概念:
Agent Card: JSON 格式的能力描述文件，通常托管在 /.well-known/agent.json，包含：
A2A vs MCP 对比:
| 维度 | MCP | A2A |
|---|---|---|
| 定位 | Agent ↔ 工具/数据 | Agent ↔ Agent |
| 连接对象 | 数据库、API、文件系统 | 其他 AI Agent |
| 架构 | Client-Server（Host 连接多个 Server） | Peer-to-Peer（Agent 间直接通信） |
| 核心原语 | Resources、Tools、Prompts | Agent Card、Task、Message、Artifact |
| 状态管理 | Session（可选） | Task 状态机（submitted → working → completed） |
| 发布方 | Anthropic（2024.11） | Google + 联盟（2025.04） |
| 厂商支持 | Anthropic 生态为主 | Google、Microsoft、Salesforce、SAP 等 50+ 家 |
互补关系: MCP 和 A2A 并非竞争关系，而是互补的。一个 Agent 可以通过 MCP 连接工具，同时通过 A2A 与其他 Agent 协作：
实际应用（截至 2025 年 3 月）:
设计哲学: 将 Agent 表示为有向图，节点是计算步骤，边是控制流。
核心特性:
典型用法:
from langgraph.graph import StateGraph
graph = StateGraph(AgentState)
graph.add_node("planner", plan_step)
graph.add_node("executor", execute_step)
graph.add_node("reviewer", review_step)
graph.add_edge("planner", "executor")
graph.add_conditional_edges(
"reviewer",
should_continue, # 条件函数
{"continue": "executor", "end": END}
)
适用场景: 需要复杂控制流的 Agent 工作流，如审批流程、多轮交互。
设计哲学: 将 Agent 编排为"船员"（Crew），每个 Agent 有特定角色和目标。
核心特性:
典型用法:
researcher = Agent(
role="技术研究员",
goal="深入研究AI Agent最新进展",
backstory="你是一位资深AI研究员..."
)
writer = Agent(
role="技术写作者",
goal="将研究内容转化为易读的报告",
backstory="你擅长将复杂技术概念简化..."
)
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, write_task],
process=Process.sequential
)
适用场景: 内容创作流水线、研究分析团队、客户支持分流。
设计哲学: Agent 之间通过对话协作，模拟人类团队讨论。
核心特性:
典型用法:
assistant = AssistantAgent("assistant", llm_config=llm_config)
user_proxy = UserProxyAgent("user_proxy", code_execution_config={...})
user_proxy.initiate_chat(
assistant,
message="帮我分析这段代码的性能瓶颈"
)
适用场景: 代码审查、技术讨论、交互式问题解决。
设计哲学: 极简主义的多 Agent 编排框架。Swarm 不是生产级框架，而是 OpenAI 于 2024 年 10 月发布的教育性示例代码，展示了多 Agent 协作的最简实现。
核心特性:
典型用法:
from swarm import Swarm, Agent
def transfer_to_triage():
return triage_agent
triage_agent = Agent(
name="Triage Agent",
instructions="分类用户问题并路由到正确的专家",
functions=[transfer_to_triage],
)
tech_agent = Agent(
name="Tech Support",
instructions="解决技术问题",
)
client = Swarm()
response = client.run(agent=triage_agent, messages=[...])
优势: 学习曲线极低；Handoff 模式直观自然；与 OpenAI API 深度集成。
局限: 非生产级框架（OpenAI 明确声明）；缺乏持久化状态管理、错误恢复等生产特性；2024 年发布时仅支持 OpenAI 模型。
GitHub: github.com/openai/swarm（截至 2025 年 3 月已有 20k+ Stars）
设计哲学: Google 于 2025 年 3 月发布的 Agent 开发框架，与 Vertex AI 深度集成，主打企业级部署和 A2A 协议支持。
核心特性:
与 A2A 的关系: ADK 是 Google A2A 协议的首个官方框架实现。ADK 构建的 Agent 可自动获得 A2A Server 能力，其他 A2A 兼容的 Agent/客户端可以直接发现和调用。
典型场景: 企业内部多个 Agent 协作（如客服 Agent + 工单 Agent + 知识库 Agent），通过 A2A 跨部门、跨平台通信。
设计哲学: Agent 直接操作计算机（屏幕截图 + 鼠标键盘），实现 GUI 自动化。
核心特性:
适用场景: 无法通过 API 访问的遗留系统操作、测试自动化、RPA 替代。
| 维度 | LangGraph | CrewAI | AutoGen | OpenAI Swarm | Google ADK | Claude Computer Use |
|---|---|---|---|---|---|---|
| 推理模式 | 图结构自定义 | ReAct + Plan | 对话式 | ReAct + Handoff | 多模态 | ReAct + 视觉 |
| 多Agent | ✅ 支持 | ✅ 核心能力 | ✅ 核心能力 | ✅ Handoff | ✅ 层级+A2A | ❌ 单Agent |
| 工具使用 | ✅ 灵活 | ✅ 内置 | ✅ 代码执行 | ✅ 函数调用 | ✅ MCP+A2A | ✅ GUI操作 |
| A2A 支持 | 🔧 适配中 | 🔧 适配中 | ❌ | ❌ | ✅ 原生 | ❌ |
| MCP 支持 | ✅ | ✅ | 🔧 适配中 | ❌ | ✅ | ✅ |
| 错误处理 | ✅ 条件分支 | ⚠️ 基础 | ✅ 对话重试 | ⚠️ 无内置 | ✅ 企业级 | ⚠️ 基础 |
| 学习曲线 | 中等 | 低 | 中等 | 极低 | 中等 | 低 |
| 生产就绪 | ✅ 高 | ✅ 中高 | ✅ 中 | ⚠️ 教育性 | ✅ 企业级 | ⚠️ 实验性 |
| 发布日期 | 2024 持续迭代 | 2024 持续迭代 | 2023 持续迭代 | 2024.10 | 2025.03 | 2024.10 |
快速参考：
| 场景 | 推荐模式 | 理由 |
|---|---|---|
| 简单问答、单步工具调用 | ReAct | 最快上手，开销最低 |
| 多步骤任务（如数据分析） | Plan-and-Execute | 先规划后执行，避免中途迷失 |
| 高质量输出（如代码生成） | Plan + Execute + Reflection | 迭代改进提升质量 |
| 团队协作（如研发流程） | 多 Agent（CrewAI/AutoGen） | 角色分工，专业化输出 |
| 操作 GUI / 浏览器自动化 | Computer Use | 视觉理解 + 操作 |
在构建 Agent 系统前，确认以下问题：
ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al., 2022
https://arxiv.org/abs/2210.03629
ReAct 模式的原始论文，定义了推理与行动交替的 Agent 范式
LLM Powered Autonomous Agents — Lilian Weng, 2023
https://lilianweng.github.io/posts/2023-06-23-agent/
OpenAI 研究员的经典综述，系统梳理 Agent 架构组件（引用 2023 年版本作为奠基性工作）
Building Effective Agents — Anthropic, 2024
https://www.anthropic.com/engineering/building-effective-agents
Anthropic 官方 Agent 构建指南，涵盖模式选型、工具设计、错误处理的最佳实践
LangChain LangGraph Documentation — LangChain, 2024-2025
https://langchain-ai.github.io/langgraph/
LangGraph 框架文档（v0.2.x），图结构 Agent 的参考实现
CrewAI Documentation — CrewAI, 2024-2025
https://docs.crewai.com/
多 Agent 协作框架文档，角色驱动的 Agent 编排
Microsoft AutoGen — Microsoft Research, 2023-2025
https://microsoft.github.io/autogen/
AutoGen 框架文档，对话式多 Agent 协作的参考实现
OpenAI Swarm — OpenAI, 2024
https://github.com/openai/swarm
轻量级多 Agent 编排教育框架，展示了 Handoff 模式的最简实现
Google Agent Development Kit (ADK) — Google, 2025
https://google.github.io/adk-docs
Google 企业级 Agent 框架，原生支持 A2A 协议和 Vertex AI 集成
Model Context Protocol (MCP) — Anthropic, 2024
https://modelcontextprotocol.io
MCP 协议规范，定义了 Agent 与工具/数据源的标准化连接方式
Agent-to-Agent Protocol (A2A) — Google + 联盟, 2025
https://github.com/a2aproject/A2A
A2A 开放协议规范，定义了 Agent 间的互操作标准
Claude Computer Use — Anthropic, 2024
https://docs.anthropic.com/en/docs/build-with-claude/computer-use
Claude 的计算机使用功能文档，GUI Agent 的前沿实践
The Batch Newsletter — AI Agent Trends — Andrew Ng / DeepLearning.AI, 2024-2025
https://www.deeplearning.ai/the-batch/
Andrew Ng 的 AI 周刊，持续跟踪 Agent 技术趋势和行业动态
本报告由 Tech-Researcher 团队编写，旨在为 AI Agent 系统设计提供实践指导。如有反馈，欢迎在 GitHub Issues 中提出。