随着大语言模型（LLM）能力的不断提升，开发者们逐渐从“Prompt Engineering”转向了“Agentic Workflow”。Andrew Ng (吴恩达) 曾指出，基于 Agent 的工作流可能会比单纯依赖更强大的模型版本带来更大的性能提升。
本文将总结几种核心的 AI 智能体设计模式，并结合 D2 流程图进行直观展示。
1. 反思 (Reflection)
反思模式是最基础的模式。它通过让模型检查自己的输出，发现错误并进行修正，从而提高任务的完成质量。
2. 工具使用 (Tool Use)
让 LLM 具备调用外部 API、搜索网页或执行本地代码的能力。这解决了 LLM 知识时效性差、无法处理复杂计算等问题。
3. 规划 (Planning)
规划是将复杂任务拆解为子任务并有序执行的核心能力。主要分为以下两类：
3.1 ReAct (Reasoning and Acting)
ReAct 模式将**推理 (Reasoning)与行动 (Acting)**结合在一起。模型在每一步都会生成一个“Thought”（思考过程），然后决定执行什么“Action”，观察“Observation”后再进行下一步思考。
3.2 Plan-and-Execute (计划并执行)
与 ReAct 的步步为营不同，这种模式先生成一个完整的计划 (Plan)，然后交由执行器 (Executor)逐一执行。在执行过程中，可能会根据反馈进行重新规划 (Re-planning)。
4. 多智能体协作 (Multi-agent Collaboration)
将复杂系统拆分为多个垂直领域的 Agent（如：一个写代码，一个写测试，一个做运维），它们通过通信达成共识。
总结
智能体设计模式的核心在于闭环控制和分解逻辑。
- ReAct 适合需要实时决策的探索性任务。
- Plan-and-Execute 适合目标明确的长流程任务。
- Reflection 和 Tool Use 是几乎所有 Agent 的基础组件。
通过组合这些模式，我们可以构建出远比单一提示词更稳定、更强大的 AI 系统。