最近接触 agent 开发比较多，这篇文章来讲一下Agent开发中，常用的三种设计范式。ReAct、Plan & Execute、Multi-Agent 。这几种模式主要是工作流程的不同。

一、ReAct (Reasoning + Acting)

ReAct 原理：将推理 (Reasoning)和行动 (Acting)交织在一起。

Agent 在执行每一步动作之前，都会先进行思考（Thought），决定下一步做什么（Action），然后观察结果（Observation），再进行下一次思考，如果大模型觉得已经完成了，就进行结果的输出。

How ReAct Works

举个发送邮件的例子：

1. Input： 用户请求帮我发邮件给FanOne，让他快点更新视频
2. Thought 1： 我需要找到“我”和FanOne的邮箱地址
3. Action 1：Search Email
4. Observation 1： 找到了我的邮箱是 A，FanOne的邮箱是 B
5. Thought 2： 我已经知道“我”和FanOne的邮箱地址了，现在需要编辑好Email
6. Action 2：Edit Email
7. Observation 2： 发件人，收件人，Title，Content…
8. Thought 3： 我已经编辑好了邮件，就等用户授权同意了
9. Action 3：Ask For Agree
10. Observation 3： 用户授权同意，邮件已发送，并无响应错误
11. Thought 4 ： 已经完成发送
12. Output： 完成，已为你发送完邮件

Example For ReAct

ReAct 形式能处理需要多步推理的需求，并且可以对结果进行修正，容错率高。但Token的消耗较大，因为中间的步骤多，并且容易陷入循环。

二、Plan & Execute

P&E原理：先把大任务拆解成一个详细的步骤清单（Plan），然后按顺序逐一执行这些步骤（Execute）。通常包含两个角色：Planner（规划者）和 Executor（执行者）。

How Plan & Execute Works

举个例子：

1. Input： 用户输入，“帮我看看哪个平台买iPhone 17便宜”
2. Planner：列出方法和步骤2.1 步骤1：查到有哪些主流的电商平台 2.2 步骤2：对主流平台请求查看优惠价格 2.3 步骤3：计算比较哪个平台的iPhone 17便宜
3. Executor：执行方法和步骤3.1 执行1：查到有某宝、某多多、某东、某猫、某音商城、某鱼等主流电商平台… 3.2 执行2：查询各平台的iPhone 17的商品价格和优惠详情，某宝 X 元，某东 X 元… 3.3 执行3：计算比较的出结论：某鱼的iPhone 17便宜。
4. OutPut： 某鱼的价格便宜，其次某多多，再到某宝…

这一类设计有一个明确的Plan，会让目标更加清晰，适合复杂且步骤明确的任务，避免 Agent 跑偏。但如果计划一开始就错了，后续执行都会错，难以动态调整，除非引入 Replanner 或者 Evaluator 之类的能进行评估回滚进行容错。

三、Multi-Agent

原理：多个拥有不同角色和专长的 Agent 互相通信、协作来完成任务。通常涉及“管理者 (Manager)”和“执行者 (Worker)”或者“对练 (Debate)”。

这里我们先讲一下Debate (辩论/对练) 是 Multi-Agent 系统中的一种特殊协作模式，核心思想是 真理越辩越明。引入了对抗或互相质疑的机制。

两个或多个 Agent 针对同一个问题提出不同的观点，互相找茬、反驳，最终通过这种高强度的思维碰撞，得出一个更准确、更全面的结论。

How Multi-Agent Works

举个例子，用户请求：“帮我写一个贪吃蛇游戏，并确保没有 Bug。”

1. Manager: 收到需求，拆解任务。呼叫 Coder 写代码，呼叫 Reviewer 检查。
2. Coder Agent: 编写贪吃蛇的代码。提交给 Manager。
3. Manager: 转交给 Reviewer。
4. Reviewer Agent: 运行代码，发现蛇撞墙后没有死亡。反馈给 Coder。
5. Coder Agent: 修复 Bug，重新提交。
6. Reviewer Agent: 再次测试，通过。
7. Manager: 将最终代码交付给用户。

Example For Multi-Agent

这一类设计核心在于专业分工，让专业的 Agent 做专业的事，能解决单体 Agent 难以处理的超复杂任务，模拟人类团队工作流。 但能看出，这样的开发复杂度高，通信成本高，可能出现 死循环对话。

最后总结一下：

• ReAct： 需要 实时外部信息或者动态决策，并且下一步依赖上一步结果任务。用大白话来讲就是走一步算一步，这一步完成了，再思考下一步，再执行下一步，进行动态决策。
• Plan-and-Execute：任务目标明确，步骤清晰，适合流程固定、不容出错的长任务，类似标准的执行SOP。大白话来讲就是列好需要做的清单，按步执行下去。
• Multi-Agent：任务极其复杂，需要不同领域的专业知识，单体 LLM 搞不定的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】