最近在看阿里发布的《AI原生应用架构白皮书》，写的还挺好的。这里讨论了关于架构相关的内容，一起学习。

1. 为什么 AI Agent 和传统微服务不一样

• 传统微服务（Spring/Dubbo）：组件清晰、流程稳定，服务发现、RPC、分布式事务、配置管理都有成熟方案，整体设计易收敛。
• AI Agent：LLM 带来不确定性；没有“一招通吃”的模式，需按场景组合与迭代。常见框架如 LangChain、LlamaIndex、Dify 等，各有侧重，更多是“混合编排”。

   五种常见 Agent 设计模式

• Chain of Thought（思维链）：引导模型“写出步骤”，把推理过程摊开，答案更稳。
• Self-Ask（自问自答）：把大问题拆成小问题，先自问再检索，最后组合结论。
• ReAct（推理 + 行动）：在“推理”与“外部动作”（搜索/调用 API）间交替，既能思考也能与世界交互。
• Plan-and-Execute（计划与执行）：先做计划，再分步执行，适合复杂、多阶段任务。
• Tree of Thoughts（树状思维）：生成多条思路分支，评估/筛选出更优路径，提升复杂问题的解题质量。

2. Agent 设计模式具体展开

2.1 Chain of Thought（思维链）

提出背景：Google Research 2022 年论文 “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”。
核心思想：让模型显式“逐步写出步骤”，不是一句话给答案，而是把推理过程展开。

2.2 Self-Ask（自问自答）

提出背景：Microsoft Research 2022 年 “Self-Ask with Search”。
核心思想：模型在回答时“自问子问题”，把大问题拆分为小问题，再检索/回答。
场景示例：2016 年美国总统候选人排序题，模型自问并检索子问题再组合最终答案。

2.3 ReAct（推理+行动）

提出背景：Princeton 与 Google Research 2022 年论文 “ReAct: Synergizing Reasoning and Acting in Language Models”。
核心思想：在推理（Reasoning）和外部行动（Acting，如调用搜索或 API）之间交替；不仅推理也与外部世界交互。
场景示例：如问“杭州昨天的天气”，Agent 会先检索 API，再推理并回答；既有思维链又能动作。

2.4 Plan-and-Execute（计划与执行）

提出背景：出现在 2023 年前后的 Agent 应用开发框架实践（如 LangChain 社区）。
核心思想：把任务拆成两个阶段：先生成计划（Planning），再逐步执行（Execution）。
场景示例：复杂任务先收集需求、分析解决路径、总结构建步骤，逐步执行并根据结果调整。

2.5 Tree of Thoughts（ToT，树状思维）

提出背景：Princeton 和 DeepMind 2023 年论文 “Tree of Thoughts: Deliberate Problem Solving with Large Language Models”。
核心思想：不是单线思维链，而是生成多条思路分支，像树一样展开，再通过评估机制选出更佳方案。
场景示例：复杂推理时生成多个候选路径（分支 A、B、C），逐步排除低分支，保留高分支以得到更优解。

2.6 Reflexion / Iterative Refinement（反思与迭代优化）

提出背景：2023 论文 “Reflexion: Language Agents with Verbal Reinforcement Learning”。
核心思想：Agent 具备自我纠错与反思能力；出错后总结原因，再带着反思重试，逐步优化。
场景示例：让 Agent 生成一段 Python 代码，首次运行报错后读取报错信息，反思如“参数写错”，自动修正并重试。适合代码生成、流程执行类任务。

2.7 Role-playing Agents（角色扮演/多智能体协作）

提出背景：源自 AutoGPT、ChatDev、CAMEL 等社区项目。
核心思想：将任务拆给不同“角色”的 Agent，每个 Agent 负责特定职责，通过对话协作完成复杂任务。
场景示例：软件开发中由 产品经理 Agent 写需求、程序员 Agent 写代码、测试 Agent 写用例，像团队协作一样推进。适合复杂系统开发或跨职能协同。

综上所述：

   主流 Agent 思维模式概览：

• CoT（Chain of Thought）：逐步推理，写出完整思考过程

• Self-Ask：将复杂问题拆解为多个子问题，逐一求解

• ReAct：结合推理与行动，在思考中与环境交互

• Plan-Execute：先制定完整计划，再按步骤执行

• ToT（Tree of Thoughts）：以树状结构探索多条推理路径

• Reflexion：通过自我反思进行迭代优化

• Role-playing：模拟多角色协作，分工完成任务

总结：

        上述思维模式并非互斥，实际应用中常可组合使用，灵活搭配。深入理解这些模式，有助于在 Agent 应用开发中选择合适的架构思路，推动技术落地。目前，部分模式（如 ReAct 等）已被 LangChain、LlamaIndex、Dify 等主流 Agent 框架所集成，成为其基础能力之一，有效提升了模型调用的准确性与可控性。

3. 参考

【1】Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

【2】Self-Ask Prompting

【3】REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS

【4】https://blog.langchain.com/planning-agents/

【5】Tree of Thoughts: Deliberate Problem Solving with Large Language Models

【6】Self-Refine: Iterative Refinement with Self-Feedback

【7】CAMEL Role-Playing Autonomous Cooperative Agents

【8】CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society