Agent之所以能像人一样解决复杂问题，背后离不开一套成熟的认知模式。目前主流的认知框架主要有四种：ReAct模式、Plan-and-Execute模式、Self-Ask模式以及Thinking and Self-Reflection模式。它们各有侧重，适用于不同的任务场景。

下面，我们就来逐一拆解。

一、ReAct模式：思考-行动-观察的循环

ReAct模式是目前最经典、最广为人知的Agent框架。它的核心思想可以概括为一个“思考-行动-观察”的三元组循环。

• Thought (思考): 模型基于当前状态，用自然语言推理出下一步该做什么。这一步是透明的，我们可以清晰地看到模型的“内心独白”。
• Action (行动): 模型执行具体操作，比如调用一个搜索工具，或者直接给出最终答案。
• Observation (观察): 模型接收行动产生的结果。如果是调用了工具，观察结果就是工具返回的数据。

随后，模型会将“观察”到的结果作为新一轮“思考”的输入，不断循环，直到问题解决。

优点： 过程透明，结果可靠，易于调试。
适用场景： 适合不确定性高、需要探索和试错的任务。
不适用场景： 不适合流程固定、可预见的任务。

二、Plan-and-Execute模式：先规划，后执行

与ReAct的“走一步看一步”不同，Plan-and-Execute模式更像一位严谨的项目经理，它强调先制定完整计划，再按部就班地执行。

这个模式分为两个阶段：

1. 规划阶段 (Plan): 模型一次性接收完整任务，并输出一个标准化的步骤清单。这个过程通常只调用一次模型。
2. 执行阶段 (Execute): 系统严格按照清单顺序逐条执行。在执行过程中，模型不再进行复杂推理，只负责执行工具调用。只有出现异常时，才可能重新调用模型进行规划。

优点：

• 高效低成本： 模型调用次数极少，速度快，API成本低。
• 流程可控： 步骤固定，便于监控和日志审计。
• 可并行： 无依赖关系的步骤可以并行执行，提升效率。

缺点： 灵活性较差。一旦执行中出现计划外的意外，无法动态调整，可能需要重新规划。

三、Self-Ask模式：自问自答，化繁为简

Self-Ask模式的核心在于问题拆解。当面对一个复杂问题时，模型不会直接尝试回答，而是先将其分解为一系列更简单的子问题。

其工作流程如下：

• 拆解： 将原始复杂问题分解成多个子问题。
• 检索： 针对每个子问题，调用外部工具（如搜索引擎、向量数据库）来获取准确的事实信息。
• 综合： 模型根据所有子问题的答案，进行推理和整合，最终给出原始问题的答案。

这种模式通常与检索工具配合使用，让模型专注于推理和拆解，让工具专注于提供事实，有效避免了模型“胡编乱造”（幻觉）的问题。

四、Thinking and Self-Reflection模式：自我反思与修正

为什么需要自我反思？因为Agent在初次尝试时可能会犯错，例如：调用错误的工具、参数提取错误、逻辑错误或遗漏关键信息。

自我反思机制就是为了解决这些问题而生的，它引入了一个**“评价-修正”的迭代循环**：

1. 执行： Agent完成任务，得到一个初步结果。
2. 评价： 调用一个“反思模型”来评估结果。评估维度包括：完整性、准确性、逻辑一致性、格式要求等。这个反思模型可以是同一个模型（通过不同的提示词实现），也可以是另一个更强大的模型。
3. 修正： 如果评估发现不足，模型会生成修正意见，并重新执行或直接修改结果。这个过程可以迭代进行，直到结果满足要求。

这里有两个概念值得注意：

• 反思 (Self-Reflection): Agent对自己的输出进行评价和修正。
• 审计 (Audit): 通常由一个独立的Agent来检查其他Agent的输出。

缺点： 虽然提升了可靠性，但代价是增加了额外的模型调用次数和响应时间。

五、模式对比与组合应用

为了让大家更直观地理解，我将这几种模式的特点整理成了下表：

模式	核心思想	优点	缺点	适用场景
ReAct	思考-行动-观察循环	过程透明，可调试	步骤多，成本较高	探索性、不确定性高的任务
Plan-and-Execute	先规划，后执行	效率高，成本低，流程可控	灵活性差，难应对意外	流程固定、步骤明确的任务
Self-Ask	拆解问题，自问自答	避免幻觉，答案准确	依赖外部工具	需要事实依据的复杂问答
Self-Reflection	评价并修正自身输出	结果更可靠，质量更高	增加延迟和成本	对结果质量要求极高的场景

在实际开发中，这些模式并非孤立存在，而是可以灵活组合，发挥各自的优势。例如：

• ReAct + Self-Ask: 在ReAct的“思考”环节，使用Self-Ask模式来确保事实的准确性。
• Plan-and-Execute + Reflection: 在Plan-and-Execute的每个步骤执行后，加入反思环节，确保每一步都正确无误。
• ReAct + Plan-and-Execute: 对于大任务使用Plan-and-Execute进行宏观规划，对于规划中的某个复杂子任务，则使用ReAct模式进行微观探索。

结语

理解这些核心认知框架，是构建强大、可靠AI Agent的第一步。每种模式都有其独特的设计哲学和适用边界。作为开发者，我们需要根据具体的业务场景，选择最合适的模式，或将它们巧妙地组合起来，才能打造出真正智能的Agent应用。

希望这篇笔记能对大家理解Agent有所帮助！欢迎在评论区一起交流讨论。