Agent 开发
Agent 开发 [!summary] 本文把“智能体经典范式（怎么思考与执行）”和“框架开发实践（怎么工程化落地）”合并为一份速记。 第一部分：三大经典范式 下面按《第四章 智能体经典范式构建》里提到的三种智能体模式做一个抓重点总结：ReAct、Plan-and-Solve、Reflection。 ([GitHub][1]) 1) ReAct（Reasoning and Acting） 核心思想：把 Thought、Action、Observation 放进同一闭环，边推理边行动，利用外部反馈持续修正。 ([GitHub][2]) 典型流程： Thought：分析现状、决定下一步 Action：调用工具或输出最终答案 Observation：读取工具结果并更新上下文 循环直到完成或达到步数上限 优势： 可解释性强 动态纠错快 特别适合工具驱动任务（搜索/计算/API） 局限： 依赖模型格式遵循与推理稳定性 多轮调用带来时延与成本 提示词和解析链条较脆弱 2) Plan-and-Solve 核心思想：先规划（Plan）再执行（Solve），通过“先出蓝图”提升执行稳定性。 ([GitHub][1]) 典型流程： Planning：分解任务并输出步骤计划 Solving：按计划逐步执行，前一步结果作为后续上下文 优势： 结构清晰、目标一致性高 适合路径确定、内部推理密集任务 局限： 计划偏静态，执行中遇到新情况需要额外动态重规划机制 3) Reflection 核心思想：执行后反思、反思后修订，通过迭代提升质量与可靠性。 ([GitHub][1]) 典型流程： Execution：先生成初稿 Reflection：从评审视角给结构化反馈 Refinement：基于初稿与反馈生成改进版 多轮迭代直到收敛或到上限 优势： 显著提升代码/方案类输出的可用性与正确性 关键配套： 需要记忆/轨迹存储，保留每轮执行与反馈支撑持续优化 三者怎么选 ReAct：信息不全且要边探索边调用工具 Plan-and-Solve：路径较确定且要稳定多步执行 Reflection：质量优先且接受更高迭代成本 第二部分：四大框架实践 1. 为什么从手写走向框架 复用与效率：封装通用循环，减少重复造轮子 解耦与扩展：模型/工具/记忆分层，替换更容易 状态管理：支持长时运行与多轮状态追踪 可观测调试：回调与钩子提升排障效率 2. 四个代表框架抓重点 2.1 AutoGen（对话协作优先） 核心理念：多智能体协作抽象为自动群聊 关键机制：autogen-core + autogen-agentchat、异步优先、角色分工（AssistantAgent / UserProxyAgent） 案例：软件团队协作做实时比特币价格 Web 应用 2.2 AgentScope（工程化优先） 核心理念：面向企业级生产，强调分布式、容错、可观测 关键机制：消息驱动 + 组合式架构，并发执行、状态管理、工具并行 案例：三国狼人杀，突出结构化约束、并发投票、异常兜底 2.3 CAMEL（轻量角色扮演） 核心理念：用最少人工编排驱动角色协作 关键机制：Role-Playing + Inception Prompting 案例：AI 心理学家 + AI 作家协作写拖延症科普电子书 2.4 LangGraph（图状态机工作流） 核心理念：把流程建模为状态机有向图 关键机制：Nodes + Edges + 全局 State 案例：三步问答助手、条件路由循环（add_conditional_edges） 权衡：流程可控性强，但设计与调试复杂度更高 3. 一页选型速查 框架 最适合场景 主要优势 主要代价 AutoGen 多角色对话协作 协作自然、上手快 成本与流程稳态约束压力 AgentScope 企业级并发与分布式 工程化能力强 接入与学习成本更高 CAMEL 轻量实验与创作协作 机制简洁、验证快 对提示依赖高 LangGraph 强流程控制与循环任务 状态显式、可控性强 样板与调试复杂度高 总结 范式决定“思考与行动方式”。 框架决定“工程落地能力”。 实战里通常是组合使用：先选范式，再用合适框架把范式稳定实现。 参考 [1] hello-agents/docs/chapter4/第四章 智能体经典范式构建.md [2] chapter4 原始 markdown [3] 第六章 框架开发实践 | Hello-Agents