概述

本文档介绍了五种主流的 AI Agent 设计模式,这些模式代表了不同的任务处理和交互方式,适用于不同的应用场景。


一、反射模式 (Reflection Pattern)

工作流程

  1. 用户输入查询:用户通过界面或 API 向 Agent 发送一个查询请求
  2. LLM 生成初始输出:大型语言模型(LLM)接收用户的查询,并生成一个初步的响应
  3. 用户反馈:用户对初步的响应进行评估并给出反馈
  4. LLM 反射输出:基于用户的反馈,LLM 对初步的响应进行反思,即重新评估和调整其生成的输出
  5. 迭代过程:这一过程可能需要多次迭代,直到用户对最终的响应感到满意为止
  6. 返回给用户:最终的响应被返回给用户,用户可以通过界面或 API 接收到结果

应用场景

这种模式通常用于提高大型语言模型的交互性和准确性,通过用户反馈不断优化模型的输出。

特点

  • 强调迭代优化
  • 用户参与改进过程
  • 适合需要高精度和个性化输出的场景

二、工具使用模式 (Tool Use Pattern)

工作流程

  1. 用户输入查询:用户通过界面或 API 向 Agent 发送一个查询请求
  2. LLM 处理查询:Agent 内部的大型语言模型(LLM)接收用户的查询,并对其进行处理。在这个过程中,LLM 可能需要调用外部工具或 API 来获取更准确的信息
  3. 调用工具和 API:如果查询需要额外的信息或数据,LLM 会调用存储在 vector 数据库中的工具和 API 来获取这些信息
  4. 生成响应:LLM 根据从工具和 API 获取的信息生成一个响应,这个响应可能是文本、表格或其他格式的数据
  5. 返回给用户:最后,生成的响应被返回给用户,用户可以通过界面或 API 接收到结果

应用场景

这种模式通常用于增强大型语言模型的能力,使其能够访问外部资源以提供更全面和准确的答案。

特点

  • 扩展 LLM 的能力边界
  • 整合外部数据源和 API
  • 适合需要实时数据或专业知识的查询

三、ReAct 模式 (ReAct Pattern)

工作流程

  1. 用户(User):用户向系统提出查询(Query),例如需要完成的任务或请求
  2. LLM(Reason):接收到用户的查询后,推理型语言模型(LLM-Reason)会分析查询并生成相应的策略或计划
  3. 工具(Tools):根据生成的策略或计划,系统调用相应的工具来执行具体的操作
  4. 环境(Environment):工具执行操作后,将结果反馈给环境
  5. LLM(Generate):环境返回的结果被反馈给生成型语言模型(LLM-Generate),生成型语言模型根据结果生成最终的响应
  6. 响应(Response):生成型语言模型生成的响应返回给用户

核心特点

这种模式通过结合推理型语言模型和生成型语言模型,实现了从用户查询到最终响应的完整闭环。

  • 推理型语言模型负责策略生成
  • 生成型语言模型负责结果呈现和响应生成
  • 形成完整的感知-决策-执行循环

四、规划模式 (Planning Pattern)

工作流程

  1. 用户(User):用户向系统提出查询(Query),例如需要完成的任务或请求
  2. 计划器(Planner):接收到用户的查询后,计划器会分析并生成一系列任务(Generated tasks)。这些任务可能是具体的执行步骤或子任务
  3. 生成的任务:计划器生成的任务会被传递给执行者(ReAct Agent)
  4. 执行者(ReAct Agent):执行者根据生成的任务执行单个任务,并将结果返回给计划器
  5. 结果反馈:执行者执行完一个任务后,会将结果反馈给计划器。如果所有任务都已完成,则计划器会确认任务完成(Finished?)
  6. 响应(Response):计划器根据任务完成情况和结果,生成最终的响应(Response),返回给用户

应用场景

这个模式确保了任务的有序执行和结果的及时反馈,从而实现用户需求的有效处理。

特点

  • 将复杂任务分解为子任务
  • 按序执行并反馈
  • 适合多步骤、有依赖关系的任务处理

五、多智能体模式 (Multi-agent Pattern)

工作流程

  1. 用户(User):用户向系统提出查询(Query),例如需要完成的任务或请求
  2. 项目经理代理(PM agent):接收到用户的查询后,项目经理代理会分析并分配任务给其他代理
  3. DevOps 代理(DevOps agent):项目经理代理将任务分配给 DevOps 代理
  4. 技术负责人代理(Tech lead agent):DevOps 代理将任务进一步分配给技术负责人代理
  5. 软件开发工程师代理(SDE agent):技术负责人代理将任务分配给软件开发工程师代理
  6. 执行任务:每个代理根据分配的任务执行相应的操作,并将结果反馈给上一级代理
  7. 结果反馈:最终,所有代理完成任务后,将结果反馈给项目经理代理
  8. 综合响应:项目经理代理综合所有代理的结果,生成最终的响应(Response),返回给用户

应用场景

这种模式通过多个代理协同工作,可以更高效地处理复杂任务,确保任务的有序执行和结果的及时反馈。

特点

  • 专业化分工,各司其职
  • 代理间协作完成复杂任务
  • 类似于真实团队的工作模式
  • 适合需要多领域专业知识的任务

模式对比与选择

Planning 模式 vs Multi-agent 模式

根据附加材料中的说明,使用”结婚”这个任务作为例子:

Planning 模式示例:

  • 你告诉 AI “我要结婚”
  • AI 会把结婚拆解成找对象、谈条件、办婚礼等关键步骤
  • AI 识别出优先找到对象,再进行找对象策略制定
  • 根据实际结果不断调整策略

Multi-agent Collaboration 模式示例:

  • 你告诉 AI “我要结婚”
  • AI 首先找到媒婆 AI Agent 帮你介绍对象
  • 再找到父母 AI Agent 帮你置办条件
  • 再找到婚策 AI Agent 帮你定好婚礼

核心区别:

  • Tool Use 模式:直接调用基础工具
  • Multi-agent Collaboration 模式:通过调用其他 Agent 来间接调用基础工具

吴恩达关于四种 Agent 模型的理解

根据附加材料,吴恩达对四种 Agent 模式有如下总结:

1. Reflection 模式

  • AI 会不断输出结婚对象信息
  • 自动根据你的条件和喜好进行匹配
  • 自行完成筛选优化
  • 最终得到最适合你的结婚对象、婚礼模式

2. Tool Use 模式

  • AI 会调用相亲网站帮你匹配对象
  • 再调用父母帮你搞定彩礼/嫁妆
  • 再调用美团帮你搞定婚纱酒席
  • 你只需上台验收结婚结果

3. Planning 模式

(如前所述)

4. Multi-agent Collaboration 模式

(如前所述)


总结

这五种 Agent 模式各有特点,适用于不同的应用场景:

  1. Reflection:强调迭代改进,适合需要精细调整的任务
  2. Tool Use:扩展 LLM 能力,适合需要外部数据和工具的任务
  3. ReAct:结合推理和生成,适合需要决策和执行的任务
  4. Planning:任务分解与顺序执行,适合复杂多步骤任务
  5. Multi-agent:专业化协作,适合需要多领域专业知识的复杂任务

在实际应用中,可以根据任务的复杂度、所需资源、以及对准确性和效率的要求来选择合适的模式,甚至可以组合使用多种模式以达到最佳效果。