重点！2026 Agent范式选型指南。
今天来看一道非常高频的Agent开发面试题，这道面试题相当于Agent的八股，是面试的经典问题。
问：“目前主流Agent范式有哪些？ReAct、Plan-and-Execute、Reflection、Self-Ask 、CodeAct分别是什么？”
你会怎么回答？
面试官其实考察的是你对Agent的思考与行动模式的系统性认知。对于这种带有很多名词的题来说，在回答的时候不要只解释名词，而是要根据自己的经验或者场景说出每种范式解决什么痛点、适用什么场景，以及如何选型，这才是高分答案。
先分别解释解释这几个名词：
ReAct
ReAct 就像是摸着石头过河。模型不是考虑好怎么走才执行，而是走一步看一步调一步。相当于一个思考、行动、观察的闭环。
解决的问题：ReAct解决了大模型无法未卜先知的问题。比如查数据库或操作浏览器，只有拿到上一步的返回值，才知道下一步要干什么。
优点是极其灵活，容错率高。工具报错了，能在下一轮分析中看到错误，自己修正。
缺点是缺乏大局观，容易眼高手低。任务一长，它就容易发生死循环，而且由于每次都要把之前的历史喂给模型，Token 成本和上下文长度呈线性暴涨。
选型结论：适合步骤在 5 步以内的中等复杂度任务，例如：网页检索、单表数据调试等。
Plan-and-Execute
ReAct的问题在于只能看到眼前的，没有大局观，当任务更⻓、更复杂时，很多研究和工程实践会加入规划。Agent先让一个规划器生成完整的多步任务清单，由执行器按序执行。
解决的问题：它解决的是ReAct在长任务中的全局性缺失。有了计划后，系统更容易对齐最终目标、识别依赖关系、减少无意义探索。
优点是