Agent 八大主流架构解析(图文笔记)
来源:抖音图文帖(豆瓣「大模型七七·教程」)· 📝 图文/幻灯片,无视频音轨,本文由画面 OCR 整理
主题:一次搞懂 8 大 Agent 主流架构的设计思路与适用场景。
一、8 大架构总览
| # | 架构 | 一句话 | 标签 |
|---|---|---|---|
| 01 | ReAct | 结合思考与行动,推理与行动协同 | 动态解决问题 |
| 02 | Plan-and-Execute | 先规划后执行,规划与执行分离 | 更稳健可靠 |
| 03 | Multi-Agent | 分工协作完成复杂任务 | 多智能体协作 |
| 04 | Reflective Agent | 反思总结优化,持续自我提升 | 反思型智能体 |
| 05 | Tool-Augmented | 调用外部工具扩展能力边界 | 工具增强型 |
| 06 | Memory-Augmented | 长短期记忆结合,上下文更强大 | 记忆增强型 |
| 07 | RAG Agent | 检索知识库,检索增强生成 | 生成精准答案 |
| 08 | Autonomous Loop | 自主决策循环,持续完成目标 | 自主智能体循环 |
二、逐架构详解
01 ReAct · 推理与行动协同
- 流程:想 → 做 → 看反馈 → 再想 → 再做,循环到完成。
- 组成:用户输入 / 上下文 Context+Memory → 推理 Reasoning → 决定 Decide → 行动 Action → 执行 Execute → 观察 Observation(环境与工具反馈)→ 完成 Done / 最终输出。
- 定位:最基础的、所有架构的起点。
- 优点:简单,啥都能套。
- 缺点:来回调 LLM,费钱又慢。
02 Plan-and-Execute · 规划与执行分离
- 两阶段:先规划(拆任务、排顺序)→ 再执行(逐个干、验证结果)。
- 流程:用户目标 → 任务规划器(子任务分解 + 依赖分析)→ 有序子任务列表 → 执行器(工具调用 + 结果验证)→ 成功 → 聚合结果;失败则触发 Fail 重规划(退回重来)。
- 优点:复杂任务好用,可以回滚。
- 缺点:规划不一定是准的,小任务用这个太重了。
03 Multi-Agent · 多智能体协作
- 结构:用户请求 → 协调器 Orchestrator → 多个 specialist(搜索 / 写作 / 编程 / 质检 Agent),共享知识库,最后汇总输出。
- 定位:一个搞不定就上多个,像真人团队。
- 优点:效率高、专业分工。
- 缺点:协调成本高,Agent 互相”打起来”就麻烦。
04 Reflective Agent · 反思型智能体
- 流程:生成 → 反思 → 找错 → 改 → 检查 → 不过再来(最多 3–5 轮)。
- 组成:用户请求 → 自我初始化 → 自我反思 / 错误分析 / 改进策略 → 检查 Check → 通过 Pass → 最终输出;未通过则 Fail 重回。
- 定位:自己给自己当质检员。
- 优点:输出质量高,自我进化。
- 缺点:烧钱之王,每轮都调一次 LLM。
05 Tool-Augmented · 工具增强型
- 组成:LLM Core(Planning & Reasoning)+ 工具集:搜索 / 知识库 / 浏览器 / 代码 / 分析 / 自定义工具。
- 机制:给大脑配上手脚。LLM 自己维护工具列表,接请求决定调用哪个,拿结果整合回复。
- 优点:从”嘴炮”变”实干”,现代 Agent 标配。
- 缺点:工具烂的话,啥都白搭。
06 Memory-Augmented · 记忆增强型
- 四级记忆:当前会话 → 短期 → 长期 → 向量数据库(外部存储)。
- 组成:用户交互 → LLM 处理器 → 感觉缓冲 Sensory Buffer → 处理 → 响应;短期/长期记忆 + 外部 Vector DB。
- 机制:系统自动在层级间搬运、清理记忆。
- 优点:不会聊两句就失忆,适合长期交互。
- 缺点:管理复杂,用久了存储蹭蹭涨。
07 RAG Agent · 检索增强生成
- 流程:用户查询 → 意图理解 → 查询改写 → 查询向量化 Embedding → 检索向量库 → 混合检索 → 结果排序 Rerank → 上下文整合 → LLM 生成 → 输出答案。
- 定位:先查资料再回答。
- 优点:减少幻觉,回答可溯源,知识实时更新。
- 缺点:搜得不好就答得不好,得维护知识库。
08 Autonomous Loop · 自主智能体循环
- 流程:长期目标 → 目标分解 → 任务优先级队列 → 执行任务 → 结果评估 → 记忆更新 → 进度追踪 → 拿下个任务,一直循环。
- 组成:工具系统 / 外部感知 / 经验记忆 + 长期目标(最高优先级)。
- 定位:真正自动驾驶,适合跑批任务。
- 缺点:可能跑偏,得有人盯着。
三、Agent 基础与决策模型(补充页)
Agent 核心决策逻辑:LLM 根据动态变化的环境信息,执行具体行动/对结果作判断并影响环境,通过多轮迭代重复直到完成目标。
- 精确决策流程:P(感知)→ P(规划)→ A(行动)。
- 感知 Perception:从环境收集信息并提取相关知识。
- 规划 Planning:为某一目标做出的决策过程。
- 行动 Action:基于环境和规划做出的动作。
- 其中 Policy 是做出 Action 的核心决策,行动通过观察 Observation 反哺下一轮 Perception,形成闭环。
- Agent = 环境观察 + 短/长期记忆 + 工具(计算器、代码解释器、搜索、日历…)+ 反思/自批评。
工程实现四大核心模块:推理、记忆、工具、行动。
ReAct 决策模型对比:
- 传统 ReAct = 少样本 prompt + Thought + Action + Observation(先推理再执行)。
- 变体:Reason Only(Chain-of-thought)/ ReAct(Reason+Act)/ Plan-and-Execute ReAct。
- 类 BabyAgent 流程:优化规划与执行流程完成复杂任务拆解,多次任务也只需调用三次大模型,而非每次工具调用都调。
总结:Agent = 大模型 + 知识 + 工具 + 循环逻辑 + 工作流 + 评测 + 部署运维
四、AI Agent 从原理到应用(讲义页)
定义:AI Agent(人工智能代理 / 智能体 / 智能业务助理)是一种能感知环境、进行决策并执行动作的智能实体。在大模型技术驱动下,以自然语言交互,自动执行/处理专业而繁复的工作任务,释放人员精力。本质 ≈ “大模型 + 插件 + 执行流程 / 思维链”,对应控制端(大脑 Brain)、感知端(Perception)、执行端(Action)三环节。
大脑模块(由 LLM 组成):
- 存储知识与记忆,承担信息处理与决策,呈现推理与规划过程,能较好应对未知任务。
- 运行机制:接收感知模块信息 → 转内部存储 → 知识检索 → 从记忆回忆 → 决策 → 行动。
记忆类型(映射示例):
- 感知记忆:短暂保留感官输入 → 例:看一张图片,图片消失后能回想视印象。
- 短期记忆:上下文学习、处理多子任务时保留短期内容 → 例:心算时记住几个数字。
- 长期记忆:语义记忆(非情绪化,陈述/情节记忆)→ 经验、语义的长期沉淀。
典型应用项目(开源对照):AutoGPT、BabyAGI、SuperAGI、SmartGPT、ChatDev、MetaGPT、Camel、JARVIS、OpenAGI、XAgent 等。
本笔记为图文帖 OCR 结果,个别排版处存在识别误差,核心架构内容完整可用。
附:原始图文(7 张幻灯片)
原始图片保存在本目录
Agent八大主流架构解析_原图/下,下方已直接嵌入展示。
幻灯片 01 · 8 大架构总览

幻灯片 02 · ReAct · Plan-and-Execute

幻灯片 03 · Multi-Agent · Reflective

幻灯片 04 · Tool-Augmented · Memory-Augmented

幻灯片 05 · RAG Agent · Autonomous Loop

幻灯片 06 · Agent 基础与决策模型

幻灯片 07 · AI Agent 从原理到应用全解

本笔记为图文帖 OCR 结果,个别排版处存在识别误差,核心架构内容完整可用;上方原始图片已一并保存在 Agent八大主流架构解析_原图/ 目录。
相关笔记
- AI 大模型 MOC · ↪ 返回 Agent/MOC 索引