从单一提示到多智能体协作，AI应用架构的演进不仅是技术的迭代，更是生产力范式的重塑。本文将带你洞察这一转变背后的逻辑与趋势，理解它如何重新定义人与智能的关系。

自ChatGPT问世后，LLM应用落地经历了“Prompt阶段”、“Chain编排阶段”、“Agent阶段”及作为Agent子集的“Multi-Agent阶段”四大演进阶段：

1. Prompt阶段通过手动设计提示词挖掘LLM智能，仅停留在对话领域；
2. Chain阶段以固定流程串联LLM与工具实现“+AI”落地，虽稳定高效但限制智能发挥；
3. Agent阶段凭借“执行器+规划器”范式让LLM自主规划、调用工具进入“AI+”阶段，却存在模型负担重、易陷入死循环的问题；
4. Multi-Agent阶段则通过多领域专家Agent协作，结合集群通信原理与特定交互模式，在提升智能与稳定性的同时，面临实现复杂、对LLM响应速度要求高的挑战，Multi-Agent实际上算是Agent的一个子集，它用于处理单Agent工作量过重，导致容易陷入幻觉、死循环等问题；

一、思维导图（mindmap）

二、详细总结

1. LLM应用架构演进背景

自ChatGPT问世以来，业内围绕LLM落地应用展开多维度探索，核心目标是持续提升LLM在实际场景中的**智能化**与**自动化**能力，最终形成从基础对话到自主协作的四大演进阶段，同时衍生出对应的技术方案与实现思路。

2. LLM应用四大演进阶段详情

3. Agent实现技术方案

（一）单Agent实现（基于Golang）

1）核心结构：采用“规划器（think方法）+执行器（doAction方法）”架构，结合ReAct提示词思路实现LLM与环境的持续交互

2）关键逻辑：

• 提示词约定：要求LLM按特定格式输出“行动方案”（工具名称+输入）或“最终答案”
• 循环交互：规划器生成方案后，执行器解析并调用工具，将结果作为历史记录（constructScratchPad方法构造）反馈给LLM，直至获取答案或达到最大循环次数（默认值为工具数量+1）

3）核心代码模块：

• BaseAgent结构体：包含maxIterateTimes（最大轮次）、llm（大语言模型实例）、rolePrompt（人设提示词）、Tools（工具列表）、steps（思考步骤）等字段
• NewBaseAgent构造器：初始化Agent，补全默认参数（如角色提示词、最大轮次）
• think方法：生成提示词、调用LLM推理、解析结果（判断执行工具或输出答案）
• doAction方法：获取工具、调用工具并记录执行结果（成功/失败信息）

（二）Multi-Agent实现

1）设计范式：

• 左侧：单Agent（含内化行为：计划/推理/反思；人格特征：认知/情感/性格）
• 中间：多Agent群体（通过合作/对抗模式实现交互）
• 右侧：外部环境（虚拟/物理环境，含人类参与者与资源，其他Agent也属环境一部分）

2）核心交互模式：

• 合作型：无序合作（自由表达，适用于头脑风暴）、有序合作（按规则流程，适用于固定任务如日志解析）
• 对抗型：通过竞争、谈判、辩论让Agent反思修正，提升系统响应质量（如self-RAG中反思Agent判断回答有效性）

3）关键模块（Controller）：

• 功能：更新环境状态、选择下一个行动Agent、路由转发信息
• 路由方式：基于规则（如状态机/SOP思路）、基于LLM
• 交互流程：Controller选Agent→Agent交互环境更新记忆→Agent“规划-执行”循环生成信息→更新环境→Controller重新选Agent

4. 总结与未来趋势

演进核心：LLM应用从“+AI”（依赖编程逻辑）逐步过渡到“AI+”（依赖LLM自主决策），自动化与通用化水平持续提升

当前问题：单Agent纵向智能提升有限，存在落地障碍

未来趋势：

• Chain模式：保留稳定性，接入Agent能力突破固定流程限制（如LangChain向LangGraph发展）
• Multi-Agent：通过水平扩展成为主流，优化架构提升实用性
• 低代码融合：可视化编排结合Agent能力，降低开发门槛