ReAct和Plan & Solve谁更强？一文讲透AI Agent工作流设计模式 原创

随着大模型技术的飞速发展，越来越多的开发者开始构建自己的AI Agent系统。但很多人发现，光有一个强大的LLM还不够——如何让AI像人一样思考、计划、执行任务，并不断优化自己的行为，才是真正的挑战。

这就引出了今天我们要聊的话题：AI Agent的工作流设计模式（Workflow Design Patterns）。

这些模式不是凭空想象出来的，而是来自对人类思维过程的模拟与抽象，它们决定了Agent是“机械地完成指令”，还是“智能地解决问题”。

AI Agent到底是怎么工作的？

我们先来回顾一下什么是AI Agent。

简单来说，一个基于大语言模型（LLM）的AI Agent，通常包括以下几个核心组件：

• Prompt模板：指导模型如何思考和输出。
• 工具调用能力：比如搜索、计算、数据库查询等。
• 记忆机制：记住之前的交互历史或状态。
• 决策流程：如何一步步完成复杂任务。

而工作流设计模式，就是用来定义这个“决策流程”的框架。

不同的模式，对应着不同的思维方式和任务处理策略。

我们把主流模式分为两大类：反思型 和 规划型

一、反思型（Reflection-focused）

这类模式强调Agent在执行过程中不断“回头看”，通过评估过去的行为，优化未来的决策。

有点像学生写完作业后，老师给出反馈，学生再修改——是一个不断迭代、提升的过程。

1. 基础反思（Basic Reflection）

就像上面说的学生和老师的关系：

• 学生（Generator）生成答案；
• 老师（Reflector）检查并给出反馈；
• 学生根据反馈进行修正。

这种模式适用于需要反复优化结果的场景，比如写文章、解题、代码生成等。

2. Reflexion：带强化学习的反思机制

它在基础反思的基础上加入了“打分”机制。每次Agent完成一个步骤后，系统会评估其表现，并决定是否继续、重做或者调整策略。

这相当于给AI装上了“自我评价系统”，让它能像人一样意识到错误并改正。

3. 树搜索+反思（LATS）

LATS = Tree Search + ReAct + Plan & Solve + Reflection + Reinforcement Learning

听起来很复杂，其实它的本质是：一边探索多种可能路径，一边反思哪条路最靠谱。

比如你在迷宫中寻找出口，每走一步都要回头看看是不是死胡同，同时尝试其他分支。

LATS非常适合用于复杂的逻辑推理任务，如数学证明、编程调试等。

4. 自我发现（Self-Discovery）

这是目前最具“元认知”意味的一种模式。它要求Agent不仅知道怎么做，还要理解“为什么这么做”。

Self-Discovery鼓励模型深入分析任务结构，识别关键环节，并在执行过程中动态调整策略。

二、规划型（Planning-focused）

这类模式更注重事前准备和步骤拆解，适合处理那些需要多个阶段协同完成的任务。

1. ReAct 模式（Reason + Act）

ReAct 是最早期也是最经典的AI Agent设计模式之一。

它的核心思想是：边想边做，边做边学。

以找笔为例：

• 想法（Thought）：我应该去笔筒里找；
• 行动（Action）：打开笔筒；
• 观察（Observation）：没找到，继续下一个地方。

ReAct 的优势在于灵活应变，缺点是对长期目标缺乏整体把控。

✅ 适用场景：需要即时反馈的任务，比如客服对话、实时问答、游戏控制等。

2. Plan & Solve 模式

顾名思义，先规划，再执行。

举个例子：你要泡一杯拿铁。

• 计划：买豆子 → 磨豆 → 烘焙 → 冲泡；
• 执行：每一步都检查材料是否齐全；
• 调整：如果发现牛奶没了，临时加一步“去买牛奶”。

这种模式更适合处理多步骤、依赖性强、容易变化的任务。

✅ 适用场景：自动化流程、项目管理、任务调度等。

3. REWOO：无需显式观察的推理

REWOO 是 ReAct 的简化版。它省略了“观察”这一独立步骤，改为在后续执行中隐含处理。

换句话说，每个动作都会自动“看到”上一步的结果，不需要单独记录。

✅ 优点：流程更简洁，效率更高。

4. LLM Compiler：并行调用函数的编译器式流程

这个名字来源于计算机中的“编译器”概念。

它允许Agent一次性调用多个工具，而不是按顺序一个个执行。

例如：用户问：“AWS Glue 和 MWAA 有什么区别？”LLM Compiler 会同时搜索两个服务的信息，然后整合成对比结果。

✅ 优点：大幅提高执行效率，特别适合信息检索类任务。

5. Storm：写长文也能自动化！

Storm 是一种专门用于生成高质量长文本的模式。

它的工作流程如下：

1. 使用外部工具搜集资料；
2. 生成文章大纲；
3. 分段撰写每一部分内容；
4. 最后整合成一篇完整的文章。

这就像你写论文时的思路：先查文献 → 列提纲 → 分章节写 → 最后润色。

✅ 适用场景：新闻稿撰写、百科词条、市场报告等。

如何选择适合你的Agent模式？

不同任务类型，适合不同的工作流模式。我们可以从以下几个维度来判断：

当然，实际开发中往往是混合使用几种模式，打造一个更强大、更灵活的AI Agent。

实战案例：用Plan & Solve写一篇产品评测

假设我们要做一个“手机对比评测”的AI Agent，可以这样设计：

1. Planner：列出评测维度（性能、续航、拍照、价格）；
2. Executor：调用API获取各型号参数；
3. Replanner：发现某个型号数据缺失，重新补充；
4. Summarizer：汇总数据，生成结论。

整个流程既保证了结构化，又能应对突发情况，还能输出高质量内容。

总结

AI Agent 工作流设计模式，本质上是在模仿人类的认知过程。

从最初的 ReAct 到现在的 LATS、Storm，这些模式让我们看到了AI在自主性、适应性和创造性方面的巨大潜力。

如果你正在构建自己的Agent系统，不妨从以下几点入手：

• 明确任务目标和流程结构；
• 选择合适的模式组合；
• 不断迭代优化提示词和工具接口；
• 加入反思机制，让AI越用越聪明。

未来属于那些懂得如何“教AI思考”的人。

本文转载自​​Halo咯咯​​    作者：基咯咯