AI Agent 主流的设计模式（ReAct,Reflection,LATS）其实没有很复杂。
输入“/”快速插入内容
AI Agent 主流的设计模式（ReAct,Reflection,LATS）其实没有很复杂。
AI Agent 主流的设计模式（ReAct,Reflection,LATS）其实没有很复杂。
用户4242用户42422025年9月22日修改
原创 高小黑 WeEvolve2025年09月18日 23:37 上海
小白也能快速看懂的 AI Agent 主流的设计模式🐶。
在进一步深入研究 Claude Code 之前，有必要在快速梳理下 Agent 的设计模式。因为我发现 Claude Code 的原理比 React 稍微灵活点。 本文可以解答一下问题：
•
说到 AI Agent 的设计模式，不知道大家知道有几种？
•
看似牛哄哄的设计模式，是如何被发现的？又是如何被使用的？
•
我们开发智能体一定需要借助框架吗？
首先就是大名鼎鼎的 ReAct ...
ReAct (Reasoning and Acting)
核心概念与工作原理
ReAct架构的核心是其“思想-行动-观察”（Thought-Action-Observation）的交错循环 。在此范式下，LLM不再是单纯地生成答案，而是扮演了一个中央控制器的角色 。首先，Agent通过“思想”（Thought）来分析任务、制定高层计划、分解子任务或处理异常情况。接着，它将思想转化为“行动”（Action），即调用外部工具，如搜索引擎、计算器或API 。当工具执行完毕后，Agent获得环境返回的“观察”（Observation），并利用这些新信息来指导下一轮的“思想”和“行动”，如此循环，直到任务完成 。
与纯粹的Chain-of-Thought（CoT）推理方法相比，ReAct最本质的区别在于其将推理过程与外部世界进行了紧密结合。 CoT仅依赖于模型内部知识进行逐步思考，这在处理需要最新信息或外部验证的任务时，极易陷入幻觉或错误传播
ReAct通过交错式的工具调用，将推理过程中的每一步都与现实世界的反馈进行核对，从而显著提升了答案的准确性和可信度（本质也就是强化学习）。这种设计范式将LLM从一个“内容生成器”提升为“任务执行器”，实现了从“开放式生成”到“闭环控制”的根本性转变。
React 的设计想法并不难，它就源自于你我日常解决问题的方法。 举个开发的例子嘛，比如：
•
你写了一段程序（类似思考了一番）
•
然后放到编译器里运行一下（类似 Action，执行某种动作），
•
然后得到运行结果（来自现实环境的反馈），
•
再然后通过观察（看看运行结果），来决定下一步动作，
◦
是修复细节问题呢？
◦
还是不修了（退出编程循环）提交代码。
其实再抽象一层，这是所有人解决问题的一般“方法论”。就是实践 - 认识 - 再实践 - 再认识 - ...
对于一些刚接触的同学，肯定都会有个疑惑：为啥大模型的 API 通常都是无状态的（也就是大模型并不认识你，或者存储你的记忆），React 是如何转动的？
•
详细优缺点分析
优点： ReAct架构的动态适应性极强，能够根据实时的环境观察灵活调整其行动计划，有效应对不确定性和突发情况 （事实上，后面所有的设计模式，本质都是基于 ReAct 的） 。其显式的推理轨迹使得整个决策过程高度可解释，这不仅便于开发者进行调试，也增强了用户对Agent的信任度。
缺点： 每次工具调用都需要进行一次LLM推理，这导致ReAct的执行速度相对较慢，并会产生高昂的Token消耗。此外，由于其每次只规划下一步，这种“规划近视”可能导致Agent陷入局部最优解，而无法找到全局最优的行动路径。
典型应用场景
ReAct架构非常适合需要与外部环境进行持续交互的场景。例如，
•
在知识密集型问答任务中，Agent可以利用搜索引擎API动态检索信息，以验证和补充其内部知识（尤其是那种需要反复查阅的复杂问题，不是现在很多聊天应用上简单的“联网回答”功能）。
•
在模拟游戏环境或网页浏览等需要多步交互和决策的任务中，ReAct也能够灵活地进行路径探索和任务完成。
Plan & Execute
核心概念与工作原理
Plan & Execute（计划与执行）架构的出现，是对ReAct高成本和低效率问题的一种直接回应。其核心思想在于将Agent的工作流明确地分为两个独立的阶段：一个由功能强大的LLM负责的“规划”阶段，和一个由更轻量级或特定模型负责的“执行”阶段。在规划阶段，LLM一次性生成一个详细的、多步骤的静态计划。随后，执行器会根据这个计划逐一完成每个步骤，而无需每次都调用大型LLM进行决策。
与ReAct的主要区别在于，ReAct是动态的、反应式的，每一步都可能重新规划，这赋予了其灵活性；而Plan & Execute则是静态的、预先确定的。它牺牲了ReAct的实时适应性，换来了更高的执行效率和更低的运营成本。这种设计模式通过将“智慧”（规划）与“体力”（执行）解耦，为Agent的实际工程化提供了更具成本效益和可控性的方案。