《Agent 设计模式 V1》前期分析中已经从分层和多视角出发，系统性地梳理了共计 39 种 Agent 设计模式：《39 种设计模式分层清单》，《18 种大模型视角设计模式卡片》，《21 种 Agent 工程视角设计模式卡片》。

本文作为该系列的总纲，不再以功能分层的方式罗列这些模式，而是采取一种缺陷驱动（Defect-Driven）的设计思路。具体而言，本文将以大语言模型（LLM）的固有局限为起点，逐一映射到智能体系统如何通过两类协同模式来补全相应能力。这一过程将清晰地展现两套设计体系如何在起点与终点上形成“问题识别（A）”与“解决方案（B）”的闭环呼应。

1. 缺陷：大模型是被动响应器，无法主动理解或追踪目标

视角	模式	作用
大模型视角（A）	• 被动目标创建者（A#1）• 主动目标创建者（A#2）	定义目标来源的两种范式：显式 vs 隐式推断
智能体视角（B）	• 路由（B#2）• 目标设定和监控（B#11）	动态识别意图并将其转化为可追踪、可验证的任务目标

能力融合说明：目标驱动机制

• A 从架构层面区分了用户意图的表达方式（明确指令 vs 上下文暗示），为系统设计提供决策依据；
• B 则通过路由模块实现意图分类，并通过目标监控机制确保任务在整个生命周期中不偏离初衷。二者共同将“模糊请求”转化为“可执行、可观测、可验证”的目标流。

2. 缺陷：大模型知识静态、封闭，无法获取实时/私有信息

视角	模式	作用
大模型视角（A）	• 检索增强生成（RAG, A#4）	提出“外部知识注入”这一核心架构原则
智能体视角（B）	• 知识检索（RAG, B#14）• 工具使用（B#5）	将 RAG 工程化，并泛化为通用工具调用能力（查库、计算、读日历等）

能力融合说明：动态知识扩展机制

• A 确立了“大模型 + 外部知识”这一基础架构范式；
• B 不仅实现了 RAG 的标准流程，还将“工具调用”抽象为通用能力，使智能体不仅能查文档，还能执行代码、查询数据库、调用企业 API。这种扩展让知识获取从“只读”走向“可操作”，真正实现动态环境感知。

3. 缺陷：大模型缺乏结构化输入/输出控制，易产生格式错误或无关内容

视角	模式	作用
大模型视角（A）	• 提示/响应优化器（A#3）	强调需对 I/O 进行模板化、约束化设计
智能体视角（B）	• 提示词链（B#1）	将复杂任务拆解为结构化提示序列，确保每步输入可控、输出可用

能力融合说明：交互标准化机制

• A 指出原始自然语言交互的不可靠性，主张通过提示工程约束模型行为；
• B 将这一思想工程化为“提示词链”——一种可编排、可测试、可回溯的交互流水线。每一步的输出被严格校验并作为下一步的结构化输入，从而将大模型的“自由生成”转化为“受控推理”。

4. 缺陷：大模型仅支持单步推理，难以处理多跳、复杂任务

视角	模式	作用
大模型视角（A）	• 单次 vs 增量查询（A#5–6）• 单路径 vs 多路径规划（A#7–8）	提出四种规划策略的权衡维度（效率 vs 鲁棒性）
智能体视角（B）	• 规划（B#6）• 推理技术（B#17）• 探索和发现（B#21）	提供可配置的规划引擎、高级推理方法库、主动探索策略

能力融合说明：多步规划与探索机制

• A 为规划策略提供了理论选择空间（如“快但风险高” vs “慢但可靠”）；
• B 则构建了一个可组合的推理执行栈：规划器负责任务分解，推理技术库（如 CoT、PAL）提供具体方法，探索模块在死胡同时尝试新路径。这种分层设计使智能体能根据任务特性动态选择最合适的推理模式。

5. 缺陷：大模型虽具瞬时纠错能力，但缺乏持久记忆与系统性学习机制

视角	模式	作用
大模型视角（A）	• 自我/交叉/人类反思（A#9–11）	定义反思的三种来源（自己、他人、人类）
智能体视角（B）	• 反思（B#4）• 记忆管理（B#8）• 学习和适应（B#9）	构建记忆存储、反思触发、行为更新的完整闭环

能力融合说明：元认知与持续学习机制

• A 承认大模型具备内生反思潜力，并提出应结构化引导其来源（自省、同行评审、人工反馈）；
• B 则通过记忆系统将这些瞬时反思固化为经验条目，再通过学习模块在后续任务中主动调用或调整策略。这使得智能体不仅能“这次改对”，还能“下次不再错”，实现真正的持续进化。

6. 缺陷：大模型是孤立个体，无法协作或分工

视角	模式	作用
大模型视角（A）	• 投票/角色/辩论合作（A#12–14）	提出三种高层协作范式
智能体视角（B）	• 多Agent协作（B#7）• Agent间通信（B#15）• 模型上下文协议（MCP, B#10）	提供协作调度器、通信通道、标准化上下文交换协议

能力融合说明：多智能体协作机制

• A 定义了协作的“组织形式”（民主投票、角色分工、理性辩论）；
• B 则提供了实现这些形式的“基础设施”：MCP 确保上下文无损传递，A2A 通信支持消息路由，协作调度器负责任务分派。二者结合，使多个智能体能像团队一样高效协同，而非简单堆叠。

7. 缺陷：大模型输出不可控，存在安全、偏见、越权风险

视角	模式	作用
大模型视角（A）	• 多模态护栏（A#17）• Agent评估器（A#18）	提出“运行时防护”与“系统级评估”两大治理支柱
智能体视角（B）	• Guardrails（B#18）• 人机协同（B#13）• 异常处理和恢复（B#12）• 评估和监控（B#19）	实现输入过滤、人工干预、故障回滚、多维指标监控

能力融合说明：可信治理机制

• A 从架构高度提出“护栏+评估”双保险机制，强调治理应贯穿设计与运行；
• B 将其落地为多层次防御体系：Guardrails 在输入/输出层过滤风险，人机协同在关键节点引入人类判断，异常处理保障系统韧性，评估监控则提供持续反馈。这种纵深防御使智能体在开放环境中依然可信、可控、可审计。

8. 缺陷：原型系统效率低、难集成、资源浪费（工程性缺陷）

视角	模式	作用
大模型视角（A）	• 工具/Agent注册中心（A#15）• Agent适配器（A#16）	提出“服务发现”与“接口标准化”的集成架构
智能体视角（B）	• 并行化（B#3）• 优先级排序（B#20）• 资源感知优化（B#16）	提供任务并发、调度策略、成本-性能权衡的运行时优化

能力融合说明：高效执行与集成机制

• A 预见到大规模智能体系统将面临工具爆炸和接口碎片化问题，因此提出注册中心与适配器作为治理基座；
• B 则在此基础上构建高性能执行引擎：通过并行化加速独立子任务，通过优先级排序保障关键路径，通过资源感知在效果与成本间动态平衡。二者共同支撑从“能跑”到“跑得快、跑得省、跑得稳”的工程跃迁。

实施指南

这39个模式是一张紧密耦合的双向映射能力融合网络。在构建Agent系统时，建议采用“缺陷识别、架构选择、工程实现”的三步法：

1. 缺陷识别阶段：针对具体的业务场景，识别大模型在上述八维度中的核心薄弱环节。
2. 架构选择阶段：从A类模式（共18种）中选择适合的高层架构策略，以界定系统的能力边界。
3. 工程实现阶段：从B类模式（共21种）中选取对应的、可落地的工程组件，完成具体的技术实现。

通过在“缺陷识别”与“能力构建”的循环中不断迭代，这种双重视角的方法能够帮助团队既深刻理解“为什么要这样设计”，又清晰明确“如何具体实现”，从而有效缩短从概念验证到生产部署的路径。架构师可以基于此框架评估现有Agent系统的完整性，识别能力缺口，并规划一条清晰、渐进式的系统演进路线。

视图说明

采用缺陷驱动分层设计，呈现39种设计模式如何协同融合：从上至下依次解决：目标理解 → 知识动态性 → 交互结构化 → 多步推理 → 持续学习 → 协作能力 → 安全治理 → 工程效率

• 蓝色节点（A#X）：LLM视角的18种高层架构模式，界定能力边界与决策框架

• 橙色节点（B#Y）：Agent工程视角的21种可落地组件模式，提供具体实现方案

• 每层顶部红色节点明确标注该层针对的核心缺陷，建立"问题-方案"直接映射

  • 每个节点包含模式编号、名称及关键技术要点
  • B类模式强调接口设计、数据流、错误处理等工程细节
  • A类模式突出决策维度（如"单次vs增量"、“投票vs角色”）

双视角融合设计决策树

根节点：启动设计流程

在开始设计前，请明确您的Agent系统需要解决的核心业务问题，并识别其中最可能由大语言模型（LLM）固有缺陷引发的风险点。

第一层决策：目标理解与任务入口 (对应缺陷：LLM是被动响应器)

问题：用户如何表达任务？系统如何确保任务不偏离？

A类决策 (高层策略 - 选1)：

• A#1 被动目标创建者：适用于用户通过明确指令（如CLI命令、API调用）发起任务的场景。
• A#2 主动目标创建者：适用于用户通过非结构化聊天暗示需求，需系统主动推断意图的场景。
• B类决策 (工程实现 - 必选)：
• B#2 路由(Routing)：根据A类决策的结果，实现一个路由模块，将不同类型的输入分发至相应的处理路径。
• B#11 目标设定和监控：建立任务目标的量化指标，并在执行过程中持续监控进度，以检测和纠正目标漂移。

第二层决策：动态知识获取与工具集成 (对应缺陷：LLM知识静态封闭)

问题：Agent是否需要访问实时数据、私有知识库或执行外部操作？

A类决策 (高层策略 - 必选)：

• A#4 检索增强生成(RAG)：作为基础原则，确立“LLM + 外部知识”的架构范式。
• A#15 工具/Agent注册中心：如果系统需集成多种异构工具或子Agent，必须建立一个元数据目录。
• A#16 Agent适配器：为屏蔽不同工具的具体实现差异，需设计统一的调用接口。
• B类决策 (工程实现 - 必选)：
• B#14 知识检索(RAG)：实现RAG的完整工程链路，包括索引、查询重写、结果融合。
• B#5 工具使用(函数调用)：提供一个安全、可靠的机制，使Agent能够调用外部API、数据库或命令行工具。

第三层决策：输入/输出结构化与接口标准化 (对应缺陷：LLM I/O不可控)

问题：如何确保Agent的输入格式正确，且输出能被下游程序可靠解析？

A类决策 (高层策略 - 必选)：

• A#3 提示/响应优化器：对所有与LLM的交互采用预定义模板和格式约束。
• B类决策 (工程实现 - 按需)：
• B#1 提示词链(Prompt Chaining)：对于复杂任务，将其分解为一系列顺序执行的子任务链，每个子任务的输出都经过校验后作为下一任务的结构化输入。

第四层决策：多步规划、推理与探索 (对应缺陷：LLM仅支持单步推理)

问题：任务是否涉及多跳推理、条件分支或不确定性？

A类决策 (高层策略 - 选1组)：

• 效率优先：A#5 单次模型查询 或 A#7 单路径规划生成器。
• 鲁棒性优先：A#6 增量模型查询 或 A#8 多路径规划生成器。
• B类决策 (工程实现 - 必选)：
• B#6 规划(Planning)：实现一个动态规划引擎，能够生成包含条件分支和回退策略的可执行计划。
• B#17 推理技术：集成高级推理方法库（如CoT, PAL），为规划引擎提供多样化的推理能力。
• B#21 探索和发现：当标准解决方案失败时，提供一个系统性的试错和替代策略探索机制。

第五层决策：反思、记忆与持续学习 (对应缺陷：LLM缺乏持久学习)

问题：系统是否需要从错误中学习，并随时间进化其行为？

A类决策 (高层策略 - 按需组合)：

• A#9 自我反思：用于单Agent系统的内省。
• A#10 交叉反思：用于多Agent系统中的相互验证。
• A#11 人类反思：用于关键业务场景，引入专家反馈。
• B类决策 (工程实现 - 必选)：
• B#4 反思(Reflection)：在任务完成后执行系统性复盘，生成可操作的改进建议。
• B#8 记忆管理：实现多级存储架构（短期会话、长期知识、经验回放），以固化反思成果。
• B#9 学习和适应：从历史案例中自动提取模式，并调整未来的决策阈值和行为策略。

第六层决策：多智能体协作与通信 (对应缺陷：LLM是孤立个体)

问题：单一Agent的能力是否不足以完成任务，需要分工协作？

A类决策 (高层策略 - 选1)：

• A#12 基于投票的合作：适用于同质化Agent的集合。
• A#13 基于角色的合作：适用于专业化分工的团队（如调度器、执行者、验证者）。
• A#14 基于辩论的合作：适用于需要解决争议或寻求最优解的场景。
• B类决策 (工程实现 - 必选)：
• B#7 多Agent协作：实现任务分解、分配和结果整合的协调逻辑。
• B#15 Agent间通信(A2A)：定义标准的消息格式、传输机制和状态同步协议。
• B#10 模型上下文协议(MCP)：标准化上下文交换格式，确保协作过程中信息无损传递。

第七层决策：安全、评估与运行时治理 (对应缺陷：LLM输出不可控)

问题：系统是否运行在开放或高风险环境中，需要保障安全与可信？

A类决策 (高层策略 - 必选)：

• A#17 多模态护栏：在输入/输出层实施内容过滤。
• A#18 Agent评估器：建立自动化测试框架，持续评估系统表现。
• B类决策 (工程实现 - 必选)：
• B#18 Guardrails / 安全模式：在关键操作前进行权限验证和风险评估。
• B#13 人机协同：在高风险决策点自动暂停，请求人类确认。
• B#12 异常处理和恢复：实现异常检测、事务回滚和状态快照恢复。
• B#19 评估和监控：建立实时监控仪表盘，跟踪性能、资源消耗和错误率。

第八层决策：执行调度与资源优化 (对应缺陷：原型系统效率低下)

问题：系统是否需要在生产环境中高效、低成本地运行？

A类决策 (高层策略 - 已在第二层覆盖)：

• 此层主要由B类模式支撑，A类模式 A#15 和 A#16 已在第二层决策中涵盖。
• B类决策 (工程实现 - 按需)：
• B#3 并行化：识别并行子任务，利用多线程或异步IO优化执行效率。
• B#20 优先级排序：基于任务紧急度和业务价值，动态调整任务队列。
• B#16 资源感知优化：在运行时监控token消耗、API成本等，动态调整策略以优化整体成本。

使用说明：

1. 自上而下，按需迭代：从第一层开始，逐层审视业务需求。并非所有层都需要复杂的方案，例如内部工具可能无需第七层的完整治理。对于复杂系统，此过程通常是迭代的。
2. A/B强制配对：每一层的决策都要求先确定A类（Why/What）策略，再选择B类（How）实现。这确保了设计既有清晰的意图，又有坚实的工程基础。

3. 完整性检查清单：在完成初步设计后，可以将此决策树作为一份39点检查清单，逐一核对是否有任何关键能力被遗漏，从而评估系统的整体健壮性和生产就绪度。

AI Agent系统设计模式选用勾选清单

能力维度	场景/问题描述	A类模式 (高层策略)	勾选	B类模式 (工程实现)	勾选
1. 目标理解与任务入口	用户通过明确指令（如CLI/API）发起任务。	A#1 被动目标创建者	□	B#2 路由(Routing)	□
	用户通过非结构化聊天暗示需求，需系统推断意图。	A#2 主动目标创建者	□	B#11 目标设定和监控	□
2. 动态知识获取与工具集成	需要访问实时数据或私有知识库。	A#4 检索增强生成(RAG)	□	B#14 知识检索(RAG)	□
	需要调用外部API、数据库或执行代码。			B#5 工具使用(函数调用)	□
	系统需集成多种异构工具或子Agent。	A#15 工具/Agent注册中心	□
	需要统一不同工具的具体调用接口。	A#16 Agent适配器	□
3. 输入/输出结构化	需要确保LLM输入/输出格式严格可控。	A#3 提示/响应优化器	□	B#1 提示词链(Prompt Chaining)	□
4. 多步规划与推理	任务路径清晰且线性，追求执行效率。	A#5 单次模型查询A#7 单路径规划生成器	□□	B#6 规划(Planning)B#17 推理技术	□□
	任务存在不确定性或多个可行解，追求鲁棒性。	A#6 增量模型查询A#8 多路径规划生成器	□□	B#21 探索和发现	□
5. 反思、记忆与学习	需要单Agent进行内省和自我修正。	A#9 自我反思	□	B#4 反思(Reflection)B#8 记忆管理B#9 学习和适应	□□□
	需要多Agent相互验证和协作学习。	A#10 交叉反思	□
	关键业务场景需要引入专家反馈。	A#11 人类反思	□
6. 多智能体协作	同质化Agent集合，通过多数决达成一致。	A#12 基于投票的合作	□	B#7 多Agent协作B#15 Agent间通信(A2A)B#10 模型上下文协议(MCP)	□□□
	专业化分工的团队（如调度员、执行者）。	A#13 基于角色的合作	□
	需要解决争议或寻求最优解。	A#14 基于辩论的合作	□
7. 安全与可信治理	需要在I/O层实施内容过滤和风险控制。	A#17 多模态护栏	□	B#18 Guardrails / 安全模式B#13 人机协同B#12 异常处理和恢复	□□□
	需要建立自动化框架持续评估系统表现。	A#18 Agent评估器	□	B#19 评估和监控	□
8. 执行调度与资源优化	需要识别并行子任务以加速执行。			B#3 并行化	□
	需要基于任务紧急度动态调整优先级。			B#20 优先级排序	□
	需要在运行时监控并优化token/API成本。			B#16 资源感知优化	□

使用说明

1. 逐项评估：从上至下，仔细阅读每一行的“场景/问题描述”，判断其是否适用于您的项目。

2. 精准勾选：

   • 如果描述符合，请在该行对应的 A类 或 B类 模式后的方框内打勾。
   • A类和B类模式是协同关系，通常选定了A类策略后，就需要勾选其对应的B类实现。但某些B类模式（如第8层的优化模式）可独立选用。

3. 生成方案：完成勾选后，所有被选中的模式即构成了您本次Agent系统设计的核心蓝图。您可以将此清单作为技术方案评审、任务分解和开发排期的直接依据。
4. 完整性检查：在设计后期，可再次使用此清单进行反向核对，确保没有遗漏任何关键能力维度。