1.ReAct（Reasoning + Acting，推理-执行）

让大语言模型同时具备推理能力和工具调用能力的 Agent 框架

• 核心：将 “推理” 和 “行动” 紧密结合，形成一个闭环：
  Reasoning（推理）：模型先理解任务，分析当前状态，判断下一步需要做什么。
  Acting（行动）：模型调用外部工具（如搜索引擎、计算器、数据库等）获取信息或执行操作。
  Observation（观察）：工具返回结果，模型将其作为新的信息，继续推理下一步。
  这个过程不断循环，直到任务完成。

2. CoT（Chain of Thought，思维链）

• 核心：让模型显式输出中间推理步骤，像“一步步想”一样解决问题。
• 适用：数学计算、逻辑推理、复杂问题拆解等结构化任务。

3. ToT（Tree of Thought，思维树）

• 核心：在 CoT 基础上，每一步生成多个推理分支，形成树状结构，通过“生成→评估→剪枝→回溯”选择最优路径。
• 适用：开放性问题、多解任务（如创意写作、策略制定）。

4. Plan-and-Execute（规划-执行）

• 核心：先对任务做完整规划，再按计划分步执行，适合复杂多阶段任务。
• 适用：长流程任务、项目式任务。

5. ReWOO

• 核心：将“规划”和“执行”解耦，先规划所有工具调用，再批量执行，提升并行效率。
• 适用：信息检索、多工具协同等场景。

6. Reflexion / Self-Reflection（自我反思）

• 核心：在生成结果后自我审查、评估，发现问题并修正，形成“生成→反思→优化”的迭代闭环。
• 适用：需要高准确性、可纠错的任务（如代码生成、专业问答）。

7. Self-Discovery（自我发现）

• 核心：让 Agent 分析任务结构，识别关键环节，动态调整策略，具备“元认知”能力。
• 适用：复杂、动态变化的任务。

8. Multi-Agent Planner（多智能体规划）

• 核心：将大任务拆分为子任务，分配给不同角色的智能体协作完成，最后整合结果。
• 适用：大规模、多领域协作的复杂项目。