顶级 AI 智能体工作流（Agentic Workflow）模式

当我们首次与大语言模型（LLM，Large Language Model）互动时，体验非常直接。我们输入一个提示词（Prompt），模型生成响应，交互就此结束。

这种单轮（Single-turn）方式对于简单问题或基础内容生成效果很好，但在我们处理更复杂的任务时，其局限性很快就会显现出来。想象一下，要求 AI 分析市场趋势、创建一份综合报告并提供可操作的建议。无论措辞多么精妙，单次响应往往力有不逮，因为它缺少收集额外信息、反思其推理过程或根据反馈优化输出的机会。

这正是智能体工作流（Agentic Workflow）发挥作用的地方。

智能体工作流将 AI 交互视为一次性的交易，而是引入了迭代（Iterative）流程、工具集成和结构化的问题求解方法。这些工作流将语言模型从复杂的文本生成器转变为有能力的智能体，能够拆解复杂问题、调整策略并产出更高质量的结果。这种差异类似于将一幅快速草稿与一幅精心打磨的画作进行比较。两者各有其用，但当质量和可靠性至关重要时，迭代方法更胜一筹。

在本文中，我们将了解最流行的智能体工作流模式及其工作原理。

理解智能体工作流（Agentic Workflow）

智能体工作流并非仅仅响应单个指令。相反，它以一定的自主性运行，决定如何处理任务、采取哪些步骤，以及如何根据沿途的发现进行调整。这代表了我们对使用 AI 系统方式的根本性转变。

试想一下，让一个基础聊天机器人与一个智能体系统来协助撰写一份研究报告之间的区别。基础聊天机器人接收我们的请求，并基于其训练数据生成报告，在一次响应中交付其产出的任何内容。然而，智能体系统可能会先在网络上搜索该主题的最新信息，然后将发现整理为主题，起草报告的各个章节，审查每一章的准确性和连贯性，修订薄弱环节，最后将所有内容汇编成一份精美的文档。这些步骤中的每一个都可能涉及多个子步骤（Subtask）、关于使用哪些工具的决策，以及基于智能体发现的调整。

真正使工作流具有「智能体属性」的是内置在流程中的迭代与反馈循环。智能体工作流不是一次性生成输出，而是涉及多个循环：智能体采取行动，观察结果，并利用该观察来指导下一个行动。这反映了人类实际解决复杂问题的方式。我们很少能预先弄清一切并执行一个完美的计划。相反，我们先尝试某事，观察发生了什么，从结果中学习，然后调整我们的方法。智能体工作流为 AI 系统带来了同样的适应性和迭代性特质。

五大核心智能体工作流模式

现在让我们了解五种核心的智能体工作流模式：

反思模式（Reflection Pattern）：自我完善的智能体

反思的核心在于让智能体审查和批判自己的工作，然后根据该批判进行修订。这个简单的理念能够提升输出质量，因为它引入了一个迭代优化过程，能够发现错误、识别弱点并强化优势。

以下是反思循环在实践中的运作方式。

• 智能体首先根据接收到的任务或提示词（Prompt）生成初始输出。
• 然后，智能体不会立即将此输出作为最终结果呈现，而是切换到批判模式。它检查刚刚生成的内容，寻找问题、不一致之处、缺乏清晰度的地方或改进的机会。这种批判成为修订的基础。
• 智能体生成一个改进版本，解决其识别出的问题。根据具体实现，这个循环可能会重复多次，每次迭代都会进一步优化输出。

请看下面的图表：

当我们专注于所执行批判的类型时，反思的力量会更加凸显。一些示例如下：

• 智能体可能专门反思准确性，检查其陈述的事实和主张是否正确且有充分依据。
• 或者，反思可能侧重于清晰度，询问不熟悉该主题的人是否会理解该解释。
• 对于创意写作，反思可能评估语气，确保声音与预期的风格和受众相匹配。
• 对于代码生成，反思可能侧重于识别漏洞、安全隐患或优化性能的机会。

反思模式最适合质量重于速度的任务，以及存在主观层面、可从审查中受益的任务。然而，对于答案直截了当的简单事实性查询，或者速度至关重要且「足够好」确实已足够的任务，该模式就不那么必要了。

工具使用模式（Tool Use Pattern）

工具使用模式代表了 AI 智能体所能完成任务的根本性扩展。

语言模型本身，无论多么复杂，都仅限于对其在训练期间学到的信息进行推理，并基于该知识生成文本。它无法访问最新信息、执行大数字的精确计算、从特定数据库检索数据，或与外部系统交互。工具改变了这一切。

在工具使用模式中，智能体配备了一组可在需要时调用的能力。这些可能包括用于查找最新信息的网络搜索引擎、用于访问天气数据或股票价格等服务的 API、用于运行程序和执行计算的代码解释器、用于检索特定记录的数据库查询工具、用于读写文档的文件系统访问，以及无数其他专用功能。与传统软件的关键区别在于，智能体本身会根据手头的任务决定何时以及如何使用这些工具。
请看下面的图表：

当智能体接收到任务时，它会分析完成该任务需要哪些能力。例如：

• 如果任务需要智能体不具备的信息，它会识别出对搜索或数据检索工具的需求。
• 如果任务涉及数学运算，它会访问计算器或代码解释器。
• 如果任务需要与特定服务交互，它会使用适当的 API 工具。

使工具使用如此强大的是工具选择的动态特性以及将多个工具调用串联起来的能力。

智能体不会遵循预先确定的脚本。如果第一次搜索没有返回足够的信息，智能体可能会重新表述其查询并再次搜索。如果 API 调用失败或返回错误，智能体可能会尝试替代方法或完全换用不同的工具。这种适应性使得具备工具能力的智能体远比僵化的自动化工作流更有能力。

推理与行动模式（ReAct，Reason and Act Pattern）

推理与行动模式，通常称为 ReAct，代表了一种先进的问题求解方法，它将显式推理与迭代行动相结合。ReAct 智能体不是在行动前思考整个计划，也不是不加反思地盲目采取行动，而是在推理下一步该做什么和实际执行之间交替进行。这种思维与行动的交织创造了一个自然的、适应性强的问题求解过程。

ReAct 循环遵循一个清晰的模式。

• 首先，智能体推理当前状况以及它需要完成什么。这个推理步骤是显式化的，通常被直接写出来作为智能体的内部思维过程。智能体可能会思考它拥有什么信息、还需要什么、哪些方法可能奏效，以及最佳的下一步是什么。
• 然后，基于这个推理，智能体采取行动。这可能是使用工具收集信息、执行计算或做出决策。
• 行动之后，智能体观察结果并进入新的推理阶段，思考它学到了什么以及下一步该做什么。这个循环一直持续，直到智能体确定它已经完成目标或达到了无法进一步推进的地步。

请看下面的图表：

显式推理步骤具有多个重要作用。

• 首先，它们帮助智能体保持在正轨上，并专注于目标。通过阐明它试图完成什么以及为什么每个行动有意义，智能体不太可能走上无关的路径或陷入非生产性循环。
• 其次，推理步骤使适应成为可能。当一个行动没有产生预期结果时，推理阶段允许智能体诊断原因并调整其方法，而不是盲目继续。
• 第三，推理轨迹提供了透明度。用户和开发人员不仅可以看到智能体做了什么，还可以看到它为什么做出这些选择，这对于信任、调试和理解智能体的决策过程非常有价值。

将 ReAct 与纯规划或纯执行进行比较，可以凸显其优势。

• 纯规划意味着在采取任何行动之前先弄清楚所有步骤。当我们拥有完整信息且环境可预测时，这很有效，但当我们需要在途中发现信息或情况发生变化时，它就会遇到困难。
• 纯执行意味着在没有太多深思熟虑的情况下采取行动，这很快但往往效率低下且容易出错。

ReAct 找到了一个中间立场，通过推理提供足够的结构，同时通过迭代行动保持灵活性。

规划模式（Planning Pattern）

规划模式与 ReAct 采取了不同的方法，它强调在执行开始之前进行预先的战略思考。

使用规划模式时，智能体首先分析总体目标并理解成功的样子。然后，它将这个目标分解为更小、更易于管理的子任务（Subtask）。这种分解会持续进行，直到智能体识别出具体的、可执行的步骤。

至关重要的是，智能体识别任务之间的依赖关系，确定哪些步骤必须先完成，其他步骤才能开始，以及哪些步骤可能并行进行。智能体还考虑每个步骤需要哪些资源、工具或信息。只有在创建了这个结构化计划之后，智能体才开始执行。

请看下面的图表：

规划模式的关键优势之一是自适应规划。

规划模式最适合具有自然阶段或阶段划分的任务，其中某些活动在逻辑上先于其他活动。对于存在截止日期、预算或资源限制等约束且协调至关重要的任务，它非常有价值。在错误或回溯代价高昂的情况下，规划模式大放异彩，因为花时间进行深思熟虑的规划是值得的。涉及多个工作流的复杂项目会从规划中受益匪浅。

然而，规划模式也有局限性。

• 对于简单的、线性的任务，其中每个步骤自然会引出下一个步骤，创建正式计划的开销几乎没有好处。
• 对于高度不确定的任务，我们很可能在执行过程中发现从根本上改变方法的关键信息，广泛的预先规划可能是浪费精力。

多智能体模式（Multi-Agent Pattern）

多智能体模式或许代表了构建 AI 系统最先进的方法。

这种模式不是依赖单个智能体来处理所有事情，而是使用多个专门化的智能体协作完成任务。每个智能体都有特定的专业知识、能力或视角，它们像人类团队一样协同工作。

多智能体系统背后的核心洞察是，专业化往往比泛化带来更好的表现。

试图在所有方面都表现出色的单个智能体面临挑战。它必须在其设计和训练中平衡相互竞争的需求。它需要广博的知识，但也需要深厚的专业知识。它必须既有创造力，又有批判性。通过在多个智能体之间划分职责，每个智能体都可以针对其特定角色进行优化。

在多智能体系统中，我们通常会看到几种类型的角色。

• 有专注于特定领域或任务的专家智能体，例如擅长查找和综合信息的研究智能体、专为编写和调试代码优化的编码智能体，或精通统计分析和可视化的数据分析智能体。
• 通常有批判者或审查智能体，其职责是评估其他智能体的输出，识别缺陷、提出改进建议或验证质量。
• 通常有一个协调者/编排者（Coordinator / Orchestrator）智能体，管理整体工作流，决定每个子任务应由哪位专家处理，并确保所有部分连贯地组合在一起。

多智能体模式带来了以下复杂性权衡：

• 随着智能体数量增加，编排（Orchestration）开销也会增加。
• 智能体之间的通信需要清晰的协议。
• 调试变得更加困难，因为问题可能源于智能体之间的相互作用，而非单个智能体的错误。

结论

各种代理工作流模式代表了我们构建和部署人工智能系统方式的根本性演变。

从简单的提示到复杂的迭代流程，人工智能代理所能实现的可靠任务已发生显著转变。以下是我们所涵盖模式的简要总结：

• 反思模式通过自我提升确保了质量。
• 工具的使用使能力远远超越单纯的语言生成。
• ReAct结合了深思熟虑的推理与自适应行动。
• 规划将战略思维应用于复杂任务。
• 多智能体协作利用专业化和多元视角。

这些模式共同构成了一套强大的工具集，可用于构建能够应对现实世界复杂性的AI系统。

这些模式之所以特别强大，是因为它们并非相互排斥。最复杂的代理系统往往会结合多种模式来实现其目标。