Li6Daily

Appearance

2026-07-20
2759
9.8m

Agent 的运行模式 ​

一、概述 ​

"Agent（智能体）"并非单一形态，而是一条从"确定式编排"到"自主式决策"的谱系。同样是"LLM + 工具"，运行模式不同，系统的可控性、成本、延迟、可预测性差异巨大。

理解运行模式的关键，是先看清它们的共性底座，再按"谁来决定下一步做什么"来区分。

基础构建块：增强型 LLM（Augmented LLM） ​

无论哪种模式，底层都是同一个单元：LLM + 工具调用（Tool）+ 记忆（Memory）+ 检索（RAG）。

  • 工具：查天气、读文件、调 API……
  • 记忆：保存对话/任务状态
  • 检索：从知识库取资料

模式的不同，本质是**"控制流由谁掌控"**：

  • 工作流（Workflow）：控制流由开发者预定义的代码决定（LLM 只在某些节点做判断）。
  • 智能体（Agent）：控制流由 LLM 自身动态决定（下一步调哪个工具、循环几次，模型说了算）。

二、多种运行模式拆解 ​

（一）工作流模式（Workflow，确定性编排） ​

LLM 和工具被写死的代码路径串起来，流程可预测、易调试，适合步骤明确的任务。

1. Prompt 链（Prompt Chaining） ​

把一个任务拆成顺序子任务，上一步输出作为下一步输入。

任务 → [LLM 步骤1] → 中间结果 → [LLM 步骤2] → ... → 最终输出
  • 适用：有明确先后依赖的多阶段处理（如 先提取 → 再翻译 → 再总结）。
  • 优点：简单、可控；可在中间加校验/人工卡点。

2. 路由（Routing） ​

LLM 先分类/判断输入，再分流到不同下游处理分支。

输入 → [LLM 分类] → 分支A / 分支B / 分支C
  • 适用：请求类型多样且处理方式不同（如 售后/技术/账单 分派不同专家提示）。
  • 优点：针对性强，避免用一套提示处理所有事。

3. 并行化（Parallelization） ​

把任务同时发给多个 LLM 调用，再聚合结果。

  • 分片并行：同一任务拆成多份并发处理（提速）。
  • 投票/评审并行：同一任务多次独立执行，用投票或汇总提高质量。
输入 → ┬→ [LLM 副本1] ┐
       ├→ [LLM 副本2] ┼→ 聚合
       └→ [LLM 副本3] ┘
  • 适用：无依赖的子任务、需要多角度评审（如 安全/质量/合规三路并行检查）。

4. 编排者-工作者（Orchestrator-Workers） ​

一个编排者 LLM 动态拆解任务，把子任务分发给多个工作者 LLM，再汇总。

   [编排者 LLM] 拆解任务
      ├→ 工作者A（写代码）
      ├→ 工作者B（查资料）
      └→ 工作者C（测试）
         ↓ 汇总
      [编排者 合成结果]
  • 适用：无法预先知道子任务划分的复杂任务（如 一个需求拆成多模块开发）。

5. 评估者-优化者（Evaluator-Optimizer） ​

一个 LLM 生成，另一个 LLM 评估反馈，循环迭代直到达标。

[生成者] → 产物 → [评估者 给反馈] → 回到生成者改进 → ... → 通过
  • 适用：有清晰评判标准、可迭代优化的任务（如 代码优化、文案润色）。

（二）智能体模式（Agent，动态自主） ​

LLM 自行决定控制流：根据观察结果决定下一步调什么工具、是否继续循环，直到任务完成。最典型的是 ReAct 范式。

6. ReAct（推理 + 行动） ​

模型交替进行思考（Thought）→ 行动（Action/调工具）→ 观察（Observation），循环直至给出答案。

Thought: 我需要先查天气
Action: call WeatherTool("北京")
Observation: 晴, 25℃
Thought: 信息够了，可以回答
Answer: 北京今天晴...
  • 适用：需多步工具调用、路径不固定的开放式任务。
  • 优点：灵活、能处理意外；缺点：可能循环过多、成本/延迟不可控。

7. Plan-and-Execute（规划后执行） ​

先由 LLM 一次性规划出完整步骤，再逐步执行（执行中可微调）。

规划者 LLM: [步骤1][步骤2][步骤3]  →  执行者依次完成（可调用工具）
  • 与 ReAct 区别：ReAct 是"走一步看一步"，Plan-and-Execute 是"先画全局地图再走"。
  • 适用：步骤可预估、希望减少无效探索的任务；常配合子 Agent 执行。

8. Reflection（反思 / 自省） ​

生成后让模型自我批评/复盘，基于反思改进产物，可多轮。

生成初稿 → 反思(哪里不对) → 修订 → 再反思 → 终稿
  • 可视为 Evaluator-Optimizer 的"自我版"（同一个模型既生成又评估）。
  • 适用：写作、方案设计等需要打磨质量的场景。

9. 多智能体协作（Multi-Agent） ​

多个角色不同的 Agent 互相通信、分工或辩论，共同完成目标。

[产品经理 Agent] ⇄ [工程师 Agent] ⇄ [测试 Agent]
       通过共享消息总线协作
  • 形态：分工协作、对抗辩论（如 红队/蓝队）、评审委员会。
  • 适用：复杂项目、需要多角度碰撞（如 自动软件开发团队）。

10. 人机协同（Human-in-the-Loop, HITL） ​

在关键节点暂停等待人类确认/输入，再继续。

Agent 执行 → 遇到高风险操作 → 请求人工批准 → 人工确认 → 继续
  • 不是独立模式，而是叠加在上述任意模式上的安全护栏。
  • 适用：涉及资金、删除、外发等不可逆/高风险动作。

三、运行模式对比表 ​

模式控制流自主性可预测性成本/延迟适用场景
Prompt 链代码固定顺序低高低多阶段线性任务
路由代码分支低高低请求分类型处理
并行化代码并发低高中（并发）无依赖子任务/多评审
编排者-工作者编排者动态拆中中中高复杂不可预拆分任务
评估者-优化者代码循环中中中高可迭代优化任务
ReActLLM 动态高低高（易失控）开放式多步任务
Plan-and-ExecuteLLM 规划+执行高中中步骤可预估的复杂任务
ReflectionLLM 自省循环高中中高需打磨质量的生成
多智能体多 LLM 协商高低高大型协作项目
人机协同(HITL)叠加式可控高取决于人高风险操作

维度说明：自主性越高越灵活但越难预测；可预测性越高越易调试与保障；二者通常此消彼长。

四、选型建议 ​

  1. 能用工作流就别用 Agent：Anthropic 的经典建议——多数场景用确定性工作流即可，简单、便宜、可控；只有当任务路径无法预先写死时才上自主 Agent。
  2. 从简单到复杂演进：
    • 步骤固定 → Prompt 链 / 路由
    • 需多视角 → 并行化
    • 子任务未知 → 编排者-工作者
    • 需打磨 → 评估者-优化者 / Reflection
    • 真正开放多步 → ReAct / 多智能体
  3. 永远保留护栏：无论哪种模式，涉及高风险动作都叠加 Human-in-the-Loop 与工具权限最小化。
  4. 可观测性优先：自主模式必须记录每步的 Thought/Action/Observation，否则出了问题无法排查。

记忆口诀：工作流是"代码定路线"，Agent 是"模型自己走"；越自主越灵活也越难控，能确定性编排就别上自主。

五、Agent Skill（智能体技能） ​

1. 什么是 Agent Skill ​

Agent Skill（智能体技能） 是为 Agent 预置的、封装好的专用能力包：把某个领域的知识、标准操作流程（SOP）、可调用的工具/脚本打包在一起，让 Agent 在该领域像"受过培训的专家"一样工作。

  • 类比：Agent 是通才员工，Skill 是上岗培训手册 + 专用工具箱。
  • 与"运行模式"的关系：运行模式解决"怎么干活（控制流）"，Skill 解决"按什么套路干（领域专长）"。二者正交——任何运行模式（ReAct、Plan-and-Execute…）都能加载任意 Skill。

2. 为什么需要 Skill ​

痛点Skill 的解法
每次都要在 Prompt 里重复写领域规范，Prompt 越来越长规范固化进 Skill，用时才注入，省 Token
不同任务质量参差不齐，依赖临场发挥Skill 提供标准化 SOP，输出更稳更可复现
专家经验难以复用一次封装，多人/多 Agent 共享
复杂任务易漏步骤Skill 显式列出检查清单/步骤

3. Skill 通常包含什么 ​

  • 领域知识：术语、约定、最佳实践（如某框架的编码规范）。
  • SOP / 步骤清单：标准操作流程（先做什么、后做什么、注意什么）。
  • 工具与脚本：可执行的命令、脚本、或绑定的 MCP 工具。
  • 触发条件：什么意图下该激活此 Skill（关键词、任务类型）。
  • 输出模板：期望的产物格式（如报告结构、提交信息格式）。

4. Skill 与 Tool / MCP 的区别 ​

概念粒度角色
Tool（工具）原子能力"手"——查天气、读文件等单个动作
MCP协议统一连接 Tool 的"接口标准"（USB-C）
Agent Skill编排好的工作流"专家套路"——把多个 Tool + 知识 + SOP 组合成一套打法

一句话：Tool 是积木，Skill 是用积木搭好的"成品模型"；MCP 是积木的通用接口。

5. 触发与加载机制 ​

  • 自动触发：Agent 识别用户意图匹配某 Skill 时，自动将其指令注入 Context（进入系统/用户提示），指导后续行为。
  • 显式调用：用户或编排者直接指定"使用 XX 技能"。
  • 按需卸载：任务完成后 Skill 指令退出上下文，避免长期占用窗口、干扰其他任务。
  • 关键点：Skill 本质是动态注入的上下文 + 可调用资源，不改变模型本身，也不改变运行模式。

6. Skill 如何与运行模式结合 ​

以 ReAct 为例，加载"代码审查 Skill"后循环变为：

Thought: 用户要我审这段代码，先加载代码审查 Skill 的清单
Action: 按 SOP 步骤1——检查空值/异常处理
Observation: 发现第 12 行未处理 null
Thought: 继续步骤2——检查并发安全
...
Answer: 附修复建议的审查报告（按 Skill 模板输出）

即：运行模式提供"循环引擎"，Skill 提供"领域驾驶手册"。

7. 常见 Skill 示例 ​

  • 代码审查 Skill：按清单检查空指针、并发、安全、命名，输出结构化报告。
  • 架构图绘制 Skill：调用 drawio/Mermaid 工具，按规范生成图示。
  • 周报生成 Skill：聚合 Git 提交/任务系统数据，套模板生成周报。
  • SQL 优化 Skill：结合执行计划分析，给出索引/改写建议。

8. 最佳实践 ​

  1. 单一职责：一个 Skill 解决一类明确任务，避免大而全。
  2. SOP 可验证：步骤尽量可机器检查，而非仅靠模型"自觉"。
  3. 与 Tool/MCP 解耦：Skill 调用底层 Tool，但不把 Tool 实现细节写死。
  4. 控制注入体积：只注入当前任务需要的 Skill，保护 Context Window。
  5. 可版本化：Skill 当作代码管理，便于迭代与回滚。

记忆口诀：Tool 是手，MCP 是接口，Skill 是专家套路；运行模式管"怎么走"，Skill 管"按啥走"。

最近更新