登录社区云,与社区用户共同成长
邀请您加入社区
接下来讲讲每个模式的原理,以及代码实现(看代码能帮助产品经理加深理解,因为这些设计模式都是以结构化 prompt 的方式藏在代码里)。
你肯定已经用 LLM 做过不少东西了,写文案、做问答、甚至写代码都没问题。但当问题变复杂了,一个 Agent 就不够用了。比如你要做一个内容创作系统:需要有人搜资料,有人写初稿,有人做校对,有人排版式。一个 Agent 样样都做,结果就是样样都不精。多 Agent 协作就是把一个复杂任务拆解给多个专业 Agent 来做,每个 Agent 专注自己擅长的部分,最后一起把事情做好。就像现实中的公司:产
构建可治理、可检索、可推理、可追溯的企业级法律知识操作系统(Legal Knowledge OS)
摘要: MCP(Model Context Protocol)与Function Call在工业级AI-Agent架构中存在本质差异。Function Call是模型调用工具的具体动作(如结构化指令执行),而MCP是管理工具调用与上下文的协议层,相当于AI Agent的“操作系统”。 核心区别: 抽象层级:Function Call关注单次工具调用(动作层),MCP管理多轮调度、状态、权限等(协议
本文详解了AI Agent的五种主流设计模式:ReAct(推理与行动交织)、Reflection(自我反思与迭代)、Planning(先规划再执行)、Tool Use(调用外部工具)和Multi-Agent(多智能体协作)。这些模式可组合使用,形成不同复杂度的解决方案。ReAct是最基础的模式,通过思考-行动-观察的循环推进任务;Reflection通过生成-评审-改进提升输出质量;Plannin
Skill 不是 Prompt——它是围绕任务、工具、流程和输出边界的结构化行为设计。 写好 Skill 的关键在于理解规范标准、掌握构建方法论、选择合适的设计模式。
解决什么问题:一个工厂能生产一整套相关产品。
你团队现在跑的几百个测试脚本里,哪些适合抽象成 Skill,哪些天生就不适合 Agent 调用?如果你还没开始问这个问题,一年后这些脚本大概率会变成没人维护的技术债。而能够回答这个问题的人,已经在构建下一个周期的测试基础设施了。
一个很常见的误区是:团队往往会选那个"听起来最高级"的模式,而不是最适合当前问题的那个。更务实的做法是:**从能解决问题的最简单模式出发,观察它在哪里卡住,再往更复杂的方向演进。
在人工智能应用开发领域,设计模式是解决复杂问题的可复用方案,它通过提炼最佳实践,为系统构建提供清晰蓝图。其核心原理在于将经验抽象为通用模板,指导开发者高效实现功能并规避常见陷阱。对于AI智能体系统而言,设计模式的价值尤为突出,它能系统化地组织从提示工程、任务规划到多智能体协作等关键技术,大幅降低开发门槛。当前,围绕大语言模型构建自主智能体的需求日益增长,掌握其设计模式成为开发者的关键技能。本文聚焦
在AI应用开发领域,设计模式与工程化实践是提升系统可靠性和可维护性的关键。通过将复杂任务分解为可复用的技能模块,并运用工具调用、ReAct、链式、路由等核心模式,开发者能够以确定性的程序逻辑引导大语言模型的能力。这种组合智能的范式迁移,不仅解决了单体智能在复杂任务中面临的不可靠、不可控等问题,还大幅降低了AI能力集成到业务系统的门槛。其技术价值在于将AI从黑盒魔法转变为可规划、可调试、可运维的软件
在构建基于大语言模型(LLM)的应用系统时,设计模式是提升工程化水平的关键。从软件工程的角度看,设计模式提供了可复用的解决方案框架,用于应对特定场景下的架构挑战。在AI智能体领域,核心原理是将LLM作为决策中心,通过结构化模式组织其与外部工具和流程的交互,从而实现能力扩展与责任分离。这一技术价值在于大幅提升系统的可维护性、灵活性和可靠性,使AI应用从“能跑通”进化到“跑得好”。典型的应用场景包括智
在人工智能领域,智能体系统正从概念验证迈向工程化部署。其核心原理在于通过大语言模型与环境交互,实现自主决策与任务执行。这一技术的核心价值在于将AI能力转化为稳定、可扩展的生产力工具。在实际应用场景中,开发者常面临状态管理、任务分解、错误恢复和多智能体协作等共性挑战。借鉴软件工程的设计模式思想,《Agentic Design Patterns》系统性地提炼了21个模式,为解决这些工程难题提供了实战框
智能体设计模式是构建高效AI系统的关键架构方法,其核心原理是通过模块化设计实现推理、行动与反思的解耦。在工程实践中,这些模式能显著提升开发效率并降低运维成本,特别适用于需要可解释性和可靠性的企业级应用场景。ReAct模式通过显式分离推理与行动阶段,为医疗诊断等高风险领域提供可追溯的决策过程;而反思模式则赋予系统自我修正能力,在金融风控等场景中实现自动化的质量管控。当前主流的技术实现包括工具使用扩展
在人工智能工程化领域,设计模式是应对复杂软件系统挑战的经典解决方案。其核心原理在于将反复出现的工程问题抽象为可复用的模板,从而提升代码的可维护性、可扩展性与团队协作效率。在AI智能体开发中,这一思想的价值尤为凸显,它帮助开发者系统化地解决大语言模型与外部环境交互、任务规划、状态管理等核心难题。具体到技术实现,诸如工具调用模式为智能体赋予了执行具体操作的能力,而规划与执行模式则通过动态评估与调整机制
智能体(Agentic)AI系统通过自主决策和目标导向行为,正在改变传统AI的应用范式。其核心原理在于模拟人类协作机制,通过分层决策、动态角色分配等技术实现群体智能。这类系统在金融风控、电商客服等场景中展现出显著价值,能提升35%以上的响应速度并降低30%重复工作。本文深入解析的gRPC通信架构和强化学习角色分配等关键技术,为构建高效智能体系统提供了工程实践参考,其中分层决策架构和竞合式设计模式尤
智能体(Agentic AI)作为人工智能领域的重要技术,通过自主决策和动态适应能力正在改变传统任务处理方式。其核心原理在于将复杂问题分解为可管理的子任务,并基于环境反馈持续优化决策路径。在工程实践中,合理运用目标分解、动态规划等设计模式能显著提升系统性能,特别是在电商客服、物流调度等需要实时响应的场景中。多智能体协作和持续学习等进阶模式则进一步扩展了应用边界,如智能制造中的设备协同优化。本文重点
摘要:本文介绍了5种ADK开发者必备的AgentSkill设计模式,帮助解决智能体开发中的内容设计挑战。1) 工具封装器:为智能体提供特定库的按需上下文;2) 生成器:通过模板确保输出一致性;3) 评审员:分离检查内容与检查方式;4) 逆向模式:智能体先收集完整需求再执行;5) 流水线:强制执行多步骤工作流程。这些模式可组合使用,通过ADK的SkillToolset实现渐进式披露,避免将复杂指令塞
如果你是打算做二次开发如果你的目标是“工具的广度”(支持更多 App、更炫的 UI、更强的连接性),请基于OpenClaw开发。如果你的目标是“智能的深度”(更强的学习能力、更好的长程记忆、自主解决复杂问题),请基于开发。
智能体工作流是自动化系统中的核心技术,通过模块化行为单元组合实现复杂业务场景的自动化处理。其核心原理在于环境感知、动态决策和多智能体协同,关键技术包括控制中枢模式、黑板模式等架构设计。在工程实践中,这些模式能显著提升系统在电商客服、智能制造等场景的适应性和效率。以有限状态机为例,通过状态转移规则可有效处理订单生命周期;而行为树模式则更适合游戏AI等复杂决策场景。合理运用合约网协议、断路器模式等协同
Agent 设计模式是构建智能代理系统的核心方法论。本文系统讲解 5 种主流 Agent 设计模式(ReAct、CodeAct、Agentic RAG、Self-Reflection、Multi-Agent Planner),涵盖核心思想、适用场景、优缺点对比及架构实现,为开发者提供完整的 Agent 设计选型指南。
Agent 工作模式之一:ReAct(边想边做)—— 所有智能体的“元模式”
✓红蓝紫集群内高校以北美公立强校、欧洲顶尖理工院校为主,在智能体的底层理论(如多智能体博弈、强化学习框架)、算法创新方向具备传统优势,节点间的交叉合作覆盖范围广,跨国家 /区域合作比中国集群更普遍。集群内部的绿色连线密集,国内头部高校与中科院体系形成了稳定的合作网络,呈现 “国家队 +顶尖高校” 的协同模式,在多智能体系统、智能体工程化等方向形成了合力。✓部分欧美机构与中国机构集群存在直接连线,是
在人工智能应用开发领域,设计模式是解决复杂系统架构问题的可复用方案。智能体(Agent)作为基于大语言模型(LLM)的核心应用范式,其设计模式通过模块化、标准化的方式管理任务编排与状态流转。从基础的顺序链模式到灵活的路由器模式,再到高度自治的自主智能体模式,这些模式为复杂工作流提供了清晰的控制逻辑。在工程实践中,技能抽象与组合模式实现了功能模块的解耦与复用,而状态管理与上下文传递模式则确保了多步骤
规则引擎作为实现业务逻辑与核心代码解耦的关键技术,其核心原理在于将可变业务规则抽象为可独立配置、管理和执行的组件。通过定义规则、条件和动作的模型,并利用模式匹配算法(如Rete或顺序匹配),规则引擎实现了业务决策的动态化与外部化,从而提升系统的灵活性和可维护性。在软件工程实践中,规则引擎广泛应用于风控系统、促销活动、工单流程等需要频繁变更业务逻辑的场景。本文以开源项目Qclaw-old为标本,深入
企业内部模型数量激增、API 密钥散落、调试成本失控,如何破局?本文深度解析「坤擎智能体平台」模型管理模块的四层架构设计,涵盖统一配置管理、智能调试器、推理过程分离、AES256 安全加密及高并发缓存优化。结合金融风控与客服场景案例,给出可落地的企业级 AI 模型管理工程实践,适合后端架构师与 AI 平台开发者参考。
Agent四种设计模式之:Plan-and-Execute
MicroWind是一个面向AI时代的编程核心知识库,包含四大核心仓库:算法思想(多语言实现)、设计模式与架构思维、提示词工程(14个场景示例)和编程技能知识库(100+结构化技能)。该项目旨在帮助程序员从代码编写者转型为AI指挥者和决策者,通过掌握数据结构、算法、设计模式和提示词工程等核心知识,更好地利用AI工具提升开发效率和质量。适用于大学生、程序员和架构师适应AI时代的技能升级需求。
OpenClaw 不应该只是一个简单的 AI 命令工具,而应该逐步演化成一个具备以下能力的本地智能体系统:- 有明确 Agent 分工;- 有项目级长期记忆;- 有 Agent 级独立记忆;- 有上下文裁剪机制;- 有成本控制策略;- 有 Gateway 服务;- 有本地工具调用能力;- 能和智能终端、MCP、桌面文件系统联动;- 能够长期服务于一个持续迭代的项目。
文章指出单个Skill仅解决业务中的点问题,而多个Skill的编排集合才是完整的解决方案。许多人在使用单个Skill时遇到瓶颈,是因为Skill之间缺乏有效连接。文章以劳动人事合规为例,详细阐述了如何将复杂业务流程拆分成多个独立Skill,并通过Skill编排实现流程自动化和数据流转。文章还对比了Skill编排与Agentic Workflow的区别,强调Skill编排更注重业务逻辑表达,降低了业
多智能体不是多开几个 Agent,而是把软件行业过去二十年已经踩明白的网关、工作流、监督树和控制回路重新搬回 LLM 时代。结合 OpenClaw 和 Hermes Agent 这两条路线,这篇文章从中介者模式、业务架构演进和伪代码三个层面,解释多智能体真正的竞争点为什么会落在编排、隔离、上下文治理和失败恢复上。
本文用 5 个可运行的代码模板,带你掌握 ADK 中最核心的 Skill 设计模式——从最简单的顺序执行,到生产级的多专家协作。很多同学跑完 ADK 的 Hello World 后就卡住了:Agent 能跑但很脆弱,加需求就崩。根本原因是没有选对 Skill 的组织方式。这篇帮你理清楚 5 种模式分别怎么用、什么场景该选哪个。
有个美国人把 OpenClaw 装进 MacBook,配上一套专门为屋顶承包商定制的 Skills,接好 HubSpot CRM,加上行业专属的 SOUL.md,然后直接寄给客户。