agent的九种设计模式:第一次上手最容易套错哪几种

接入与开发

把 Agent 的九种设计模式按触发条件、成本和误用场景对照一遍,帮你在动手搭之前先判断该用哪种、哪几种可以先不碰。

搜「agent的九种设计模式」的人,多半是已经看过一遍分类图,回头写代码时反而更乱:九种里到底哪几种能直接落地,哪些只是换个名字的同一件事。这篇不讲概念史,按「你手上是什么活」来对,给出判断顺序和误用信号,也写清哪些情况下这些模式根本不适用,别为了用模式而用模式。

搜「agent的九种设计模式」的人,多半是已经看过一遍分类图,回头写代码时反而更乱:九种里到底哪几种能直接落地,哪些只是换个名字的同一件事。这篇不讲概念史,按「你手上是什么活」来对,给出判断顺序和误用信号。

先说清一个前提:模式不是配置项,是解决特定麻烦的手段。你手上如果只是「把一段文本分类一下」「从一段话里抽三个字段」,那九种模式一种都用不上,直接一次调用搞定。硬套只会白加延迟和调用次数。

先判断你这活到底用不用得上「模式」

判断顺序比模式本身重要。第一步看输出能不能一次定稿:不能,才说明你需要中间步骤。第二步看中间要不要外部信息,比如查库、调接口、读文件,需要才轮到工具类模式。第三步才看你是否需要拆多个角色。这三步走完还停在第一步的,直接写一次调用就行。

  • 输出一次能定稿,且不需要外部数据:单次调用,别引入任何模式
  • 要多步、每步结果影响下一步:规划执行或工具调用,二选一
  • 有客观校验标准(能跑测试、能对字段、能核数字):才考虑反思型
  • 输入类别边界清楚、处理链路差异大:才考虑路由分发
  • 以上都不成立:先别装框架,把 prompt 和输出格式改稳

最常真正落地的四种,先看它们的分界

工具调用和规划执行最容易混。分界在于步骤顺序是否提前确定:顺序稳定、只是步数多,用规划执行,先列清单再逐条跑;顺序取决于上一步拿回什么,用工具调用,让模型自己选下一个函数。实际用下来,很多人把本该工具调用的活写成固定流水线,结果一遇到异常输入就整条断掉。

反思型被高估了。它的前提是「有客观标准能判断对错」,比如代码能跑、JSON 能解析、数字能对账。没有这个前提,模型自己给自己打分,只会把错的改得更像对的。路由分发的前提是类别边界清楚,边界模糊时它会分错,而且错在入口,后面查半天查不出来。

模式什么活适合什么情况别用
工具调用顺序不固定、要查外部数据或触发动作动作有副作用且不可回滚、没人审核
规划执行步骤多但顺序稳定、可批量每步依赖上一步结果、中途常变
反思型有可自动校验的客观标准靠主观评价、没有测试或对账手段
路由分发类别边界清晰、各链路差异大类别重叠、输入经常模棱两可

剩下几种什么时候别碰:几个误用信号

多智能体协作是第一次上手最容易套错的。常见画面是:单任务准确率还没稳定,就先拆成三个角色互相传话,出问题定位不到是哪一环,日志里全是来回转述。我建议先别急着装,把单角色版本跑出稳定结果,再拆。

记忆和状态型也有类似问题。没有跨轮复用的真实需求,加记忆只会把上一轮的脏数据带进下一轮,越跑越偏。人机协同型则是另一个方向的错:业务里没有明确的审核节点,加了人工环节,人就成了流水线瓶颈,还多了一层等待。

  • 拆多角色前先问:单角色版本错在哪一步,答不上来就别拆
  • 加记忆前先确认真有跨轮复用的字段,否则先清空上下文
  • 人机协同要绑定具体审核动作和超时处理,没有就别加
  • 任何模式让一次请求的调用次数翻倍而效果没变,先退回去做减法
  • 工具白名单和最大步数先定死,再谈模式,否则拦不住跑飞

动手前的对照清单

动手前写三行字:这一步的输入是什么、预期输出长什么样、失败时怎么发现。三样缺一样,就别选复杂模式,先把这三行补齐。这套动作比看分类图有用得多。

  1. 先跑最简版本一次调用、固定输出格式,记录哪些输入会错、错在哪一步,这是后面选模式的唯一依据。
  2. 按错误类型补模式错在缺外部信息就加工具调用;错在步骤漏了就加规划;错在有客观标准却没过就加反思。
  3. 定边界把工具白名单、最大步数、超时和失败兜底先写进代码,再谈模式组合。
  4. 对一遍成本口径模式带来的调用量会直接反映在账单上,模型单价与限速到 /price-watch 核对当时的数字,别让预算先崩。

最后说清不适用的情况:任务本身是单步、输出没有客观标准、失败代价低且可以人工兜底,这三类都不值得上模式。模式解决的是结构性问题,不是效果问题;效果不够,先回头改输入和输出约束。

下一步把你打算用的模式对应的模型价格和调用量口径对一遍,再决定拆不拆。

常见问题

九种设计模式要全学一遍吗?

不用。真正高频落地的是工具调用、路由分发、规划执行和反思这四类,其余多是在这四类上叠状态或叠角色。先把最简版本跑通,按出错类型再补,比一开始背全九种效率高得多。

多个智能体一定比单个强吗?

不一定。拆多智能体的代价是链路变长、错误定位变难、调用量上升。只有当任务能清晰切成互不依赖的子任务,并且每段都有可校验的产出时,拆分才划算;否则先做单智能体加工具。

怎么判断加的这层模式起作用了?

做法是同一批输入,加模式前后各跑一遍,看成功率和平均调用次数一起变。成功率没升而调用次数翻倍,就是白加;成功率升了但只有个别样例,也不足以说明问题,样本量要够。

本文依据各平台公开文档与官方公告整理,只做中文归纳;具体做法、参数与限制以官方文档为准。