一、ReAct 架构Reasoning Acting最经典、应用最广泛的 Agent 架构OpenAI Function Calling / LangChain 的底层逻辑都基于此。执行流程┌─────────────────────────────────────────────────┐ │ 用户目标 │ └──────────────────────┬──────────────────────────┘ ▼ ┌──────────────────────────┐ │ LLM 推理Think │ │ 我需要先查天气 │ └────────────┬─────────────┘ ▼ ┌──────────────────────────┐ │ 选择工具 生成参数 │ │ tool: search_weather │ │ param: city北京 │ └────────────┬─────────────┘ ▼ ┌──────────────────────────┐ │ 执行工具调用 │ │ 获取: 北京晴 25°C │ └────────────┬─────────────┘ ▼ ┌──────────────────────────┐ │ 观察结果 → 再次推理 │ │ 天气适合出行,下一步... │ └────────────┬─────────────┘ ▼ ┌────────┴────────┐ │ 任务完成? │ └────────┬────────┘ 是 ↙ ↘ 否回到推理 ▼ ▼ 返回最终结果 继续下一轮工具调用核心特点项目说明思维链每轮Thought → Action → Observation​ 循环优势灵活、通用适合开放式任务劣势长任务容易跑偏缺乏全局规划典型实现LangChain AgentExecutor、OpenAI Function Calling二、Plan-and-Execute 架构规划 执行分离先把任务拆好再一步步执行。类似先写大纲再写文章比 ReAct 更可控。执行流程┌─────────────────────────────────────────────────┐ │ 用户目标 │ └──────────────────────┬──────────────────────────┘ ▼ ┌──────────────────────────────┐ │ Planner规划器 │ │ LLM 生成完整执行计划 │ │ ① 搜索目的地信息 │ │ ② 查询航班价格 │ │ ③ 筛选酒店 │ │ ④ 生成行程文档 │ └────────────┬─────────────────┘ ▼ ┌──────────────────────────────┐ │ 计划队列Task Queue │ │ [Step1] → [Step2] → [Step3] │ └────────────┬─────────────────┘ ▼ ┌──────────────────────────────┐ │ ⚙️ Executor执行器 │ │ 逐条执行每步可调用工具 │ │ 遇到错误 → 反馈给 Planner │ └────────────┬─────────────────┘ ▼ ┌──────────────────────────────┐ │ 汇总结果 → 返回用户 │ └──────────────────────────────┘核心特点项目说明规划器负责拆解任务、生成 DAG 执行图执行器按序执行每步可独立调用工具容错某步失败可重规划Re-plan优势全局可控、适合复杂多步任务劣势初始规划可能不完美需动态调整典型实现LangGraph Plan-and-Execute、AutoGPT三、Multi-Agent 架构多智能体协作多个 Agent 各司其职像团队分工一样协作完成复杂任务。经典架构模式┌─────────────┐ │ Orchestrator │ │ (协调者/路由) │ └───────┬─────────┘ ┌─────────────┼─────────────┐ ▼ ▼ ▼ ┌────────────┐ ┌───────────┐ ┌────────────┐ │ 搜索 Agent │ │ 代码Agent │ │ 写作Agent │ │ │ │ │ │ ✍️ │ └────────────┘ └───────────┘ └────────────┘ │ │ │ └─────────────┼─────────────┘ ▼ ┌───────────────┐ │ 共享记忆/消息总线 │ └───────────────┘三种常见协作模式① 层级模式HierarchicalManager Agent ├── Worker Agent A数据收集 ├── Worker Agent B数据分析 └── Worker Agent C报告生成一个管理者分配任务多个工人执行。适合任务清晰、可并行的场景。② 顺序流水线PipelineAgent A采集 → Agent B清洗 → Agent C分析 → Agent D可视化每个 Agent 负责一道工序像工厂流水线。适合数据处理的 SOP 场景。③ 辩论/协商模式DebateAgent A ──↔── Agent B ──↔── Agent C 支持 反对 裁判多个 Agent 持不同立场辩论最终收敛到最优解。适合决策、评审类场景。核心特点项目说明通信机制消息总线 / 共享状态 / 直接调用角色分工每个 Agent 有独立工具和 System Prompt优势复杂任务拆解、并行加速、专业化挑战协调成本高、上下文传递、错误传播典型框架CrewAI、AutoGen、LangGraph Multi-Agent四、三种架构对比总结维度ReActPlan-and-ExecuteMulti-Agent复杂度​⭐ 低⭐⭐ 中⭐⭐⭐ 高可控性​低自由探索高先规划后执行中依赖协调适用场景​简单工具调用复杂多步任务超复杂/需专业化分工典型用例​查天气、搜资料做调研报告软件开发、竞品分析代表框架​LangChain AgentLangGraphCrewAI / AutoGen五、选型建议任务简单 工具少 → ReAct 任务复杂 步骤明确 → Plan-and-Execute 任务超大 需多角色 → Multi-Agent