随着大语言模型能力逐步成熟，AI Agent 已经不再停留在概念验证阶段，而是开始进入企业级业务系统。在极客跳动参与的多个 AI 项目中，我们逐渐形成一个共识：真正决定 Agent 能否长期稳定运行、是否具备工程价值的，并不是模型能力本身，而是系统架构和工程实现方式。

当 Agent 被放进真实业务环境，不同设计模式在复杂度、执行效率和成本上的差异，会被迅速放大。基于这些项目经验，我们尝试把当前主流的 Agent 设计方式放回真实业务中，看看它们各自更适合解决什么样的问题。

一、极客跳动如何理解 AI Agent

在极客跳动的项目实践中，AI Agent 并不是简单的“大语言模型接口”，而是具备规划、执行、状态管理与外部交互能力的系统架构。

我们在多个项目中总结出，可稳定落地的 LLM Agent 通常由以下四个核心模块组成：

1. LLM（大语言模型）负责理解任务、逻辑推理及决策生成，是 Agent 的认知核心。

在极客跳动，我们会针对任务复杂度选择不同能力的模型，例如 GPT-4 用于复杂规划，GPT-3.5 用于执行和数据处理，实现成本与能力平衡。

2. Memory（记忆）用于维护短期上下文状态和长期业务知识，实现多轮决策和连续行为。

实践经验：我们结合上下文窗口、向量数据库以及企业知识库，实现业务数据持续可用，同时保证历史状态在多轮任务中可追溯。

3. Planning（规划）将复杂目标拆解为可执行的子任务序列，是 Agent 处理复杂问题的关键。

项目实践中，我们设计了分层规划体系，将全局任务与子任务区分开，支持动态调整和多模型协作。

4. Tools（工具）调用外部系统能力，如搜索、计算、代码执行、企业内部 API，使 Agent 能真正参与业务流程。

在实际项目中，我们设计了标准化工具接口层，使 Agent 可快速接入多种外部系统，同时便于权限与异常管理。

后续提到的各类 Agent 设计模式，本质上都是围绕这四个模块，在不同工程约束下进行的结构化组合与优化。

二、ReAct：Agent 设计的起点

ReAct（Reasoning + Acting）是当前 Agent 设计体系的起点，奠定了“思考-行动-观察”循环的交互模式。

1. 核心机制

• 思考（Reason）：分析当前状态和任务目标，决定下一步行动。

• 行动（Act）：执行所决定的动作，通常调用工具。

• 观察（Observe）：获取工具执行结果，并将其作为下一轮思考的输入。

2. 工程实践

极客跳动在原型验证和短流程任务中广泛使用 ReAct，例如快速验证 API 调用链、生成初步文案或业务建议。

这种模式适合逻辑简单、工具调用链短的场景。

3. 优缺点

• 优点：直观、实现成本低，快速验证原型能力。

• 缺点：循环次数不可控，Token 消耗难以预测；响应时间不稳定，不适合同步或高并发接口。

ReAct 为后续更多工程优化模式提供了理论基础，但在真实业务中，其局限性促使我们探索更高效、可控的设计方式。

三、执行效率与成本优化

1. ReWOO：先规划、再统一执行

ReWOO（Reasoning Without Observation）将推理和执行解耦，模型在任务开始阶段生成完整工具调用计划。

【工程价值】

• 显著降低 Token 消耗

• 系统结构清晰：Planner、Worker、Solver 分工明确

• 避免执行阶段被中间结果干扰

【适用场景】

• 工具调用频繁，但依赖关系明确

• 对成本和执行稳定性要求高

【实践经验】

在极客跳动的财务数据分析项目中，我们使用ReWOO 将多步骤计算任务规划在一轮推理中完成，降低了重复调用成本，提高了整体系统稳定性。

【局限】

高度依赖初始规划，任务复杂或规划不完整时，执行阶段难以自我修正。

2. Plan & Execute：长期任务的工程实践

Plan & Execute 模式适用于多步骤、生命周期长的任务。

【核心机制】

• 生成全局任务计划

• 按步骤逐一执行子任务

• 根据执行结果动态调整或重建计划

【工程实践】

我们在企业级内容生成和流程自动化项目中采用此模式，实现规划与执行的模型异构：高性能模型负责复杂规划，低成本模型执行具体步骤。

在项目中，我们也设计了失败重试和动态任务调整机制，保证业务流程的可控性。

【优缺点】

• 优点：长期可控，适合复杂任务和多模型协作

• 缺点：顺序执行限制整体效率，任务间并行性受限

3. LLM Compiler：DAG 并行执行

LLM Compiler 通过生成带依赖关系的任务图（DAG），实现子任务并行化。

【工程收益】

• 无依赖任务可并行

• 总执行时间缩短

• 高并发、高时效项目中提升系统吞吐

【实践经验】

极客跳动在金融数据批量计算项目中，通过 DAG 规划并行获取多家机构数据，并行计算指标，节省了近 40% 的执行时间。

我们还结合调度系统，实现节点异常自动重试与依赖追踪。

【代价】

需要更复杂的调度和任务依赖管理能力。

四、推理质量与结果可靠性优化

1.Basic Reflection：低成本结果校正

【核心机制】

• 模型先生成初始结果

• “反思者”审查并提出修改建议

• Generator 根据反馈输出优化结果

【工程实践】

• 在内容生成、客户方案建议类项目中使用，能够快速提升输出稳定性和可读性。

• 我们结合模板和规则化约束，降低生成发散风险。

【优缺点】

• 优点：简单高效、低成本

• 缺点：依赖初始生成质量，复杂问题收敛性有限

2. Self-Discover：显式构建任务推理结构

【核心机制】

• 模型选择并组合适合任务的推理模块

• 构建可执行推理结构

• 按结构逐步完成任务

【工程实践】

• 在业务规则复杂、推理过程本身有价值的项目中，我们使用 Self-Discover 提升结果可解释性。

• 项目中会记录每一步推理模块的选择理由，便于审计与迭代优化。

【优缺点】

• 优点：高可解释性，推理路径可复用

• 缺点：实现复杂，生成结构错误可能影响任务完成

3.Reflexion 与 LATS：能力最强，代价亦高

Reflexion：

• 引入外部数据验证，减少模型自我判断偏差

• 适合高准确性需求的任务

LATS（Language Agent Tree Search）：

• 融合搜索、规划、执行、反思机制

• 适合目标不明确、需多路径探索的复杂任务

极客跳动实践经验

• Reflexion 被用于企业合规文档分析项目，结合外部法规数据库，提高自动化审核准确率。

• LATS 在研发阶段用于复杂业务流程模拟，帮助团队评估多策略方案，但资源消耗高，生产环境谨慎使用。

五、极客跳动的 Agent 架构选型原则

1. 原型或简单任务：ReAct

2. 工具调用密集、成本敏感：ReWOO

3. 多步骤、需动态调整：Plan & Execute

4. 强并行、高性能要求：LLM Compiler

5. 输出质量要求高：Basic Reflection / Reflexion

6. 问题高度不确定或模糊：LATS

核心原则：在满足业务需求前提下，控制系统复杂度和长期维护成本。Agent 架构设计是一道工程取舍题，而非能力堆叠题。

六、极客跳动的工程实践经验

模块化设计：在所有项目中，我们坚持 Planner / Executor / Memory / Tool 模块化，便于任务拆解、模型异构部署和可维护性提升。

1. 多模型协作：复杂规划使用高性能模型，重复执行步骤使用低成本模型，实现稳定性与成本平衡。

2. 任务追踪与回溯：每轮决策都记录状态、输入、输出与依赖，保证任务可审计、可重现。

3. 并行化与调度：在高并发场景下，我们结合 DAG 任务规划和调度系统，实现子任务并行执行并支持异常重试。

4. 反思机制优化：在输出要求高的项目中，我们结合 Basic Reflection / Reflexion 提升结果可靠性，同时利用业务规则约束生成，降低风险。

随着基础模型能力持续提升，Agent 的差异化优势将越来越多体现在架构设计和工程实现层面。谁能在复杂业务约束下，设计出稳定、可控、可扩展的 Agent 系统，谁才能真正把大模型能力转化为长期价值。

Agent 的工程化，本质上是一场长期取舍，而非一次性设计。模型会迭代，能力会上升，但系统复杂度、成本结构和稳定性问题不会自动消失。

在极客跳动，我们始终将 AI Agent 视为一项系统工程，而非单点技术能力，所有设计取舍，最终都指向一个目标：让 Agent 能在真实业务中长期运行，而不是停留在演示阶段。

‍

极客跳动官方网站:

https://www.geekdance.cn/https://www.geekdance.cn/