什么是"Agentic 设计模式"？ Agentic 设计模式是可复用的高层解决方案，用于应对构建智能自主系统（Agent）时的常见挑战。这些模式为设计 Agent 行为提供结构化框架，其作用类似于传统编程中的软件设计模式。它们助力开发者构建更稳健、可预测且高效的 AI Agent。
本指南的核心目标是什么？ 本指南致力于提供设计与构建 Agentic 系统的实践性指导。超越纯理论探讨，提供开发者可直接运用的具体架构蓝图，以可靠方式创建具备复杂目标导向行为能力的 Agent。
本指南面向哪些读者群体？ 本指南主要面向运用大语言模型（LLM）及其他 AI 组件构建应用的 AI 开发者、软件工程师与系统架构师。特别适合希望从简单提示-响应交互进阶至构建复杂自主 Agent 的技术人员。
4. 本指南涵盖哪些关键 Agentic 模式？ 依据目录结构，本指南深入探讨以下核心模式：
- 反思（Reflection）：Agent 通过批判自身行为与输出来提升性能的能力。
- 规划（Planning）：将复杂目标分解为可管理步骤或任务序列的过程。
- 工具使用（Tool Use）：Agent 借助外部工具（如代码解释器、搜索引擎或其他 API）获取信息或执行自身无法完成操作的模式。
- 多 Agent 协作（Multi-Agent Collaboration）：多个专业化 Agent 协同解决问题的架构，通常包含"领导者"或"协调者"Agent。
- 人在回路（Human-in-the-Loop）：整合人类监督与干预机制，支持对 Agent 行为进行反馈、修正与审批。
为何"规划"模式至关重要？ 规划模式使 Agent 能够处理无法通过单步操作解决的复杂多阶段任务。通过制定计划，Agent 可维持连贯策略、追踪进度，并以结构化方式应对错误或意外障碍。这有效防止 Agent 陷入"停滞"或偏离用户最终目标。
Agent 语境中"工具"与"技能"有何区别？ 虽常被混用，但"工具"通常指 Agent 可调用的外部资源（如天气 API、计算器）；"技能"则是 Agent 通过学习获得的更集成化能力，往往结合工具使用与内部推理以执行特定功能（如"航班预订"技能可能涉及日历与航空 API 的协同使用）。
"反思"模式如何提升 Agent 性能？ 反思机制充当自我校正功能。在生成响应或完成任务后，引导 Agent 审查自身工作：检测错误、依据既定标准评估质量、考量替代方案。此迭代优化过程显著提升 Agent 输出的准确性、相关性及整体质量。
反思模式的核心理念是什么？ 反思模式赋予 Agent 后退一步批判自身工作的能力。Agent 并非一次性生成最终输出，而是先创建草稿后进行"反思"，识别缺陷、信息缺失或改进空间。此自我校正流程是提升响应质量与准确度的关键机制。
为何简单"提示链"难以保证高质量输出？ 简单提示链（前序提示输出作为后续提示输入）通常过于基础。模型可能仅对先前输出进行措辞重组而未实现实质性改进。真正的反思模式需引入结构化批判机制，引导 Agent 依据特定标准分析工作、检验逻辑错误或核实事实。
本章阐述的两种主要反思类型是什么？ 本章详细解析两种核心反思形式：
- "工作自查"式反思：基础形式，仅要求 Agent 审查并修正前序输出。适用于捕捉简单错误的入门场景。
- "内部评审"式反思：进阶形式，通过独立"评审者"Agent（或专用提示）评估"执行者"Agent 的输出。可为评审者设定特定检验标准，实现更严密且定向的改进。
反思机制如何助力减少"幻觉"现象？ 通过强制 Agent 审查自身工作——特别是将其陈述与已知来源比对或检验推理步骤——反思模式能显著降低幻觉（虚构事实）发生概率。Agent 被迫更严格遵循给定上下文，减少生成无依据信息的可能性。
反思模式可否多次迭代应用？ 可以，反思本身即为迭代过程。可引导 Agent 对同一工作进行多轮反思，每轮循环持续优化输出质量。这对复杂任务尤为关键，因初版或次版输出可能仍存在细微错误或具大幅提升空间。
AI Agent 语境中的规划模式指什么？ 规划模式旨在使 Agent 能将复杂高层目标分解为系列可执行步骤序列。Agent 不试图一次性解决宏观问题，而是先构建"计划"框架，随后按序执行各步骤，此方法显著提升任务可靠性。
为何复杂任务必须引入规划机制？ 大语言模型在处理多步骤或具依赖关系的任务时存在局限。缺乏计划指引时，Agent 易丢失整体目标脉络、遗漏关键环节或未能将前步骤输出有效传递至后续输入。计划提供清晰实施路线，确保按逻辑顺序满足原始请求全部要求。
实现规划模式的典型方法有哪些？ 常见实施方案是引导 Agent 首先生成结构化步骤列表（如 JSON 数组或编号清单）。系统随后遍历该列表，逐项执行步骤并将执行结果反馈至 Agent 以指导后续操作。
Agent 如何处理执行过程中的异常或动态变化？ 健全的规划模式支持动态调整能力。当某步骤失败或情境变更时，可触发 Agent 基于当前状态"重新规划"。Agent 能分析错误成因、调整剩余步骤序列，甚至新增步骤以突破障碍。
计划内容是否对用户可见？ 此为设计决策项。多数场景下，预先向用户展示计划并获取批准是推荐实践。这与"人在回路"模式高度契合，在执行前赋予用户对 Agent 拟执行操作的透明度与控制权。
"工具使用"模式的核心要素是什么？ 工具使用模式使 Agent 能通过与外部软件或 API 交互扩展自身能力边界。鉴于 LLM 知识库的静态特性及无法自主执行现实操作的限制，工具为其提供实时信息访问（如 Google 搜索）、专有数据获取（如企业数据库）及动作执行能力（如邮件发送、会议预订）。
Agent 如何决策工具选用？ Agent 通常获授可用工具清单及各工具功能描述与参数要求。当面临内部知识无法处理的请求时，Agent 依托推理能力从清单中筛选最适配任务需求的工具。
文中所提"ReAct"（推理-行动）框架是什么？ ReAct 是集成推理与行动的流行框架。Agent 遵循思考（分析待执行任务）、行动（决策工具选择及输入参数）与观察（获取工具返回结果）的循环流程。该循环持续迭代直至收集足够信息满足用户请求。
工具使用实施面临哪些主要挑战？ 关键挑战包括：
- 异常处理：工具可能执行失败、返回意外数据或超时。Agent 需具备异常识别能力并决策重试、切换工具或寻求用户协助。
- 安全考量：授予 Agent 工具访问权限——特别是具现实影响的操作工具——存在安全风险。对敏感操作必须设置防护机制、权限控制及常需人工审批流程。
- 提示工程：需通过精准提示引导 Agent 生成格式规范的工具调用（如正确函数名与参数结构）。
什么是人在回路（HITL）模式？ HITL 是一种将人类监督与交互机制深度整合至 Agent 工作流的模式。Agent 并非完全自主运行，而是在关键决策节点暂停执行，主动寻求人类反馈、审批、澄清或方向指引。
为何 HITL 对 Agentic 系统至关重要？ 其重要性体现在多个维度：
- 安全与可控性：针对高风险任务（如金融交易、官方通讯发送），HITL 确保人类在操作执行前验证 Agent 提议行动。
- 质量提升：人类可提供精准修正或 nuanced 反馈，助力 Agent 性能优化，尤其在主观判断或模糊情境任务中。
- 信任构建：用户更倾向于采纳具备可指导与监督特性的 AI 系统，从而建立长期信任关系。
工作流中哪些环节应引入人类干预？ 典型的人类介入节点包括：
- 计划审批环节：多步骤计划正式执行前的确认阶段。
- 工具使用授权：涉及现实影响或产生经济成本的工具调用前。
- 歧义消解节点：当 Agent 执行路径不明确或需用户补充信息时。
- 最终输出审核：向终端用户或下游系统交付成果前的质量把关。
持续人工介入是否影响效率？ 确存此风险，因此关键在于精准把握平衡点。HITL 应部署于核心决策节点，而非每个操作步骤。目标是构建人机协作伙伴关系：Agent 承担主体工作量，人类提供战略级指导。
何为多 Agent 协作模式？ 该模式指构建由多个专业化 Agent 组成的协同系统，通过集体智慧达成共同目标。替代单一"全才"Agent 尝试包揽所有任务的模式，转而组建各具专长的"专家"Agent 团队。
多 Agent 系统的优势何在？
- 模块化与专业化：每个 Agent 可针对特定任务进行精细化提示调优（如"研究专员"、"文案专家"、"代码工程师"），产出质量显著提升。
- 复杂度管控：将复杂工作流分解为专业角色，大幅降低系统整体设计、调试与维护难度。
- 群体智慧模拟：不同 Agent 提供多元视角，催生更具创意与鲁棒性的解决方案，仿效人类团队协作模式。
多 Agent 系统的典型架构如何？ 常见架构核心为协调者 Agent（亦称"管理者"或"指挥者"）。协调者把握全局目标，进行任务分解与委派，收集各专家 Agent 产出并进行最终合成输出。
Agent 间如何实现通信协作？ 通信通常由协调者主导管理。例如，协调者可将"研究员"Agent 的输出作为上下文传递给"写作"Agent。此外，支持 Agent 发布发现的共享"工作区"或消息总线亦是常用通信机制。
为何 Agent 评估较传统软件更复杂？ 传统软件具备确定性输出（相同输入恒定产生相同输出）。而基于 LLM 的 Agent 具有非确定性特征，其性能评估常涉主观判断。评估需聚焦输出质量与相关性，而非单纯技术正确性。
Agent 性能评估的常用方法有哪些？ 本指南推荐以下方法：
- 结果导向评估：Agent 是否成功达成终极目标？例如任务为"航班预订"，是否实际完成正确预订？此为核心衡量指标。
- 过程质量评估：Agent 执行流程是否高效合理？工具选用是否恰当？计划遵循是否严谨？此有助于诊断失败根源。
- 人工评分评估：邀请人类评估者依据帮助性、准确性、连贯性等维度进行量表评分（如1-5分）。对用户导向应用尤为关键。
何为"Agent 轨迹"？ Agent 轨迹是任务执行全过程的完整步骤记录，涵盖所有思考过程、操作行为（工具调用）及环境观察。分析这些轨迹是调试与理解 Agent 行为模式的核心手段。
如何为非确定性系统构建可靠测试？ 虽无法保证 Agent 输出的精确措辞，但可设计验证关键要素的测试。例如创建检测最终响应是否包含特定信息，或是否以正确参数成功调用某工具的测试。通常通过在专用测试环境部署模拟工具实现。
Agent 提示与简单 ChatGPT 提示有何本质区别？ Agent 提示需构建详尽的"系统提示"或运行章程作为操作指南。这超越单一用户查询范畴，需明确定义 Agent 角色定位、可用工具集、应遵循模式（如 ReAct 或规划）、行为约束及交互风格。
优质 Agent 系统提示的核心构成要素有哪些？ 卓越的系统提示通常包含：
- 角色与目标界定：清晰定义 Agent 身份标识与核心使命。
- 工具规格说明：可用工具清单、功能描述及调用规范（如特定函数调用格式）。
- 约束与规则体系：明确禁止行为指令（如"未经批准禁止使用工具"、"不提供金融建议"）。
- 流程执行指引：模式应用指导，例如"首先制定计划，随后按步骤执行"。
- 示范轨迹案例：提供若干成功"思考-行动-观察"循环实例，可大幅提升 Agent 行为可靠性。
何为"提示泄漏"？ 提示泄漏指系统提示内容（如工具定义或内部指令）意外出现在 Agent 对用户的最终响应中。此现象可能导致用户困惑并暴露系统实现细节。采用推理与最终答案生成分离的提示策略等技术可有效防范。
Agentic 系统未来发展趋势如何？ 本指南展望以下方向：
- 增强自主能力：需更少人工干预且具备自学习与自适应能力的 Agent。
- 深度专业分化：形成可按需雇佣或订阅的专项任务 Agent 生态系统（如旅行顾问、研究助手）。
- 工具平台演进：开发更 sophisticated 的框架与平台，显著降低构建、测试与部署健壮多 Agent 系统的技术门槛。
本文来源于开源项目Agentic Design Patterns中文翻译