本文整理了 LLM Agent 中常用的几种范式，从简单到复杂，详细介绍每种范式的概念、工作原理、特点、适用场景、流程示意以及优势与局限。
单步回答型（Single-step / Direct Response）
单步回答型是最基础的 LLM Agent 范式，特点是收到问题或任务后直接生成答案，不保留历史状态，也不调用外部工具。
简单理解：“你问我答，不做额外思考”。
工作原理
- 接收输入：用户发送问题或任务描述给模型。
- 生成输出：模型根据训练中学到的语言模式和知识生成答案。
- 返回结果：输出文本返回给用户。
注意：整个过程没有循环、计划或外部验证，完全依赖模型自身知识。
特点
- 快速：无需多轮推理或外部查询。
- 实现简单：只需调用生成接口即可。
- 依赖训练数据：输出结果依赖模型已有知识。
适用场景
- 事实类问答：如“世界上最高的山是哪座？”
- 知识查询：如“谁写了《哈利·波特》？”
- 简单计算或翻译：如“把‘Hello’翻译成中文”。
流程示意
优势与局限
- 优势：快速、易实现，对简单任务足够使用。
- 局限：无法处理多步骤问题或实时信息，缺乏可解释性。
链式思维型（Chain-of-Thought, CoT）
链式思维型让 LLM 在生成答案之前先写出思考步骤，增加可解释性。
简单理解：“先写下我的思路，再给你答案”。
工作原理
- 接收输入：用户提供问题或任务。
- 生成思考步骤：模型拆解问题、分析子问题或列出公式。
- 生成答案：结合思考步骤输出最终结果。
- 返回结果：输出既包含思考步骤，也包含答案。
注意：链式思维型通常一次生成，不会根据结果再循环修正，除非与 ReAct 或反思型结合。
特点
- 显式推理，增强可解释性。
- 支持多步骤问题处理。
- 依赖模型内部知识，无外部工具调用能力。
适用场景
- 数学题、逻辑题
- 多步骤推理问题
- 需要分析过程的问答
流程示意
优势与局限
- 优势：提高复杂问题正确率，增强信任度。
- 局限：无法调用外部数据，输出长度较长，处理速度略慢。
ReAct（Reasoning + Acting）
ReAct 结合 推理和行动，让模型在思考的同时可以执行操作，并根据结果不断调整策略。
简单理解：“先想，再做，边做边想”。
工作原理
- 接收输入：用户提供任务。
- 推理（Reasoning）：分析问题，生成解决思路。
- 行动（Acting）：执行操作，如调用工具、查询数据、计算等。
- 反馈：行动结果返回模型，供下一轮推理。
- 循环迭代：模型根据反馈不断调整，直到完成任务。
- 输出答案：最终返回结果。
特点
- 动态交互，可根据环境或工具结果调整策略。
- 支持多步骤任务处理。
- 可以调用外部工具或 API。
- 推理链条透明，便于理解。
适用场景
- 查询实时数据（天气、股市、新闻）
- 多步骤问答或推理任务
- 自动化办公任务（数据处理、报告生成）
流程示意
优势与局限
- 优势：适合复杂任务，支持工具调用，循环迭代可提高准确性。
- 局限：实现复杂，循环可能增加响应时间。
反思型（Reflexive Agent）
反思型让 LLM 在输出前自我检查和修正，类似人类写完作业后回头自查。
简单理解：“先写，再检查，再修正”。
工作原理
- 接收输入
- 初步生成答案
- 自我反思：检查语法、逻辑或数据合理性
- 修正输出
- 最终输出
特点
- 内部自查循环，提升输出质量。
- 无需外部工具。
- 适合长文本或多轮任务。
适用场景
- 自动写作（文章、报告、邮件）
- 长对话系统保持逻辑一致
- 编程辅助：生成代码并检查逻辑/语法
流程示意
任务规划型（Planner + Executor）
任务规划型将复杂任务拆分为子任务并逐步执行，核心是“规划 + 执行”。
简单理解：“先规划，再执行，每步有条理”。
工作原理
- 接收输入
- 规划阶段：拆解任务、排列子任务顺序
- 执行阶段：逐步完成子任务，可调用工具
- 整合结果：汇总各子任务输出
- 最终输出
特点
- 适合多步骤任务
- 结构清晰
- 可结合工具
- 支持长任务处理
流程示意
记忆增强型（Memory-Augmented Agent）
记忆增强型具有长期记忆能力，在多轮对话或长期任务中持续利用历史信息。
简单理解：“记住过去，做出更智能的决策”。
工作原理
- 接收输入
- 访问记忆：检索历史信息或上下文
- 生成答案：结合当前输入和记忆
- 更新记忆：保存新信息
- 返回输出
特点
- 长期记忆与个性化
- 上下文连续，多轮任务一致性
- 可动态更新
流程示意
多 Agent 协作型（Multi-Agent / Team Agents）
多 Agent 协作型由多个 Agent 分工协作完成任务。
简单理解：“分工合作，每个成员做擅长的事”。
工作原理
- 接收输入
- 任务拆分与分配：将任务分配给不同 Agent
- 各 Agent 执行任务
- 信息汇总：整合输出
- 最终输出
特点
- 分工明确
- 可扩展性强
- 协作与信息整合
- 每个 Agent 可调用工具
流程示意
总结
从简单到复杂的 LLM Agent 范式：
单步回答 → 链式思维 → ReAct → 反思型 → 任务规划 → 记忆增强 → 多 Agent 协作
- 越往右，模型能力越强，处理复杂任务能力越高。
- 越往右，实现成本越高，但灵活性和适用性也越强。
- 在实际应用中，常会混合使用多种范式，发挥各自优势，提升准确性和任务处理能力。