简介

本文是一篇关于大模型Agentic推理框架的系统综述，提出统一视角理解如何将LLM组织成能思考、协作、调用工具的智能体。文章构建三级递进分类法（单智能体、工具调用、多智能体），详述各层级技巧与案例，并横跨科学发现、医疗、软件工程、社会经济模拟四大场景，提供统一评测方法和实践参考。

---

首篇系统拆解“大模型Agentic推理框架”的综述：
不聊训练，只聊“怎么把 LLM 组织成会思考、会协作、会调工具的Agent”，并横跨科学发现、医疗、软件工程、社会经济模拟四大战场，给出统一语言、统一视角、统一评测。

📊 为什么值得关注？

图 1：LLM 代理框架论文&引用爆发式增长（2023 起跳）

维度	过去	这篇综述
视角	模型中心（怎么训）	框架中心 （怎么搭）
分类	零散案例	三级递进 taxonomy
评测	各玩各的	跨领域统一指标/数据集
场景	单点应用	4 大场景 30+ 子任务 全覆盖

一、统一语言：把“代理推理”形式化

论文先给出一套通用符号（表 1）与通用算法 1，任何框架都可看成：

初始上下文 → 多步动作（推理/工具/反思）→ 终止条件 → 输出

Alg-1 通用推理循环

Table1 符号

🏗️ 三级递进 taxonomy

总览

图 2：单智能体 → 工具 → 多智能体，能力逐级叠加

层级	关键问题	代表技巧
单智能体	如何自己想的更好	角色扮演、链式思考、自我精炼
工具-based	如何会调外部资源	API/插件/中间件、工具选择、并行调用
多智能体	如何组队协作	中央/分布式/层级架构、合作-竞争-谈判

🔍 1. 单智能体：Prompt 工程 + 自我提升

Fig-3 Prompt 四象限

图 3：角色、环境、任务、示例四维 Prompt 工程

Fig-4 自我提升三范式

图 4：反思、迭代优化、交互学习

案例速览

• Reflexion：失败 → 文字反思 → 更新上下文 → 重试
• Self-Refine：生成→批评→重写，直到满足自定义标准 𝒮

🔍 2. 工具-based：让 LLM“长手脚”

Fig-5 工具流水线

图 5：集成 → 选择 → 使用

子维度	技巧
集成	API（REST）、插件（本地 RAG）、中间件（统一封装）
选择	零样本推理 / 规则映射 / 在线学习
使用	顺序链、并行批、迭代微调

名场面

• ChemCrow：18 种化学工具链式调用，自主合成有机催化剂
• LLM-Compiler：并行调度 10+ API， latency ↓40%

🔍 3. 多智能体：组队打副本

Fig-6 组织×交互双轴

图 6：组织架构（中央/分布式/层级）× 交互协议（合作/竞争/谈判）

组织	适用场景	案例
中央	全局最优、严格管控	MetaGPT（模拟软件公司）
分布式	鲁棒、容错	MADebate（多代理辩论）
层级	流程清晰、SOP 严格	ChatDev（瀑布式开发）

🌐 四大应用场景全景

Fig-7 应用地图

图 7：科学发现 / 医疗 / 软件工程 / 社会经济模拟 细分任务一览

🔬 1. 科学发现

子领域	代理技巧	代表工作
数学	多代理 Lean4 证明	MA-LoT、ProverAgent
天文	光谱→假设流水线	AstroAgents
地学	GIS 工具链 + MCTS	GeoAgent、GeoMap-Agent
生化	分子设计、量子化学	ChemCrow、El Agente

评测速览

• 指标：药物相似性、合成可及性、结合亲和力
• 数据集：MoleculeNet、CrossDocked、CheMBL

表3. 生物化学和材料科学中代理推理框架的评估策略概览。

🏥 2. 医疗

场景	关键能力	案例
诊断助手	多科会诊辩论	MedAgents、RareAgents
临床管理	试验预测、用药推荐	ClinicalAgent、TxAgent
环境模拟	可进化代理医院	Agent Hospital、AI Hospital

评测速览

• 基准：MedQA、PubMedQA、MIMIC-IV、MVME
• 指标：诊断准确率、安全率、人类一致性

💻 3. 软件工程

任务	代理策略	案例
代码生成	多角色 TDD	AgentCoder、MapCoder
程序修复	故障定位→补丁→验证	RepairAgent、OrcaLoca
全生命周期	模拟软件公司 SOP	MetaGPT、ChatDev

🌍 4. 社会经济模拟

方向	代理能力	案例
社会	沙盒行为涌现	Generative Agents、SocioVerse（10 M 用户）
经济	股票市场仿真	StockAgent、FinRobot

https://arxiv.org/pdf/2508.17692

AI大模型学习和面试资源

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。

这份完整版的大模型 AI 学习和面试资料已经上传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】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓