当前位置：首页 > news >正文

Agent 架构

news 2026/7/5 2:28:11

从单智能体到多智能体：6种主流 Agent 架构全解析

随着大模型能力的快速增强，Agent（智能体）系统已经从“调用一次 LLM”进化为“可规划、可执行、可反思的复杂系统”。在真实工程中，Agent 不再只是一个 prompt，而是一个具备状态、工具调用、规划能力与闭环控制的系统架构。

本文从工程视角系统梳理六种主流 Agent 架构：

单 Agent 循环（Loop Agent）
规划 + 执行（Plan & Execute）
多 Agent 协作（Multi-Agent）
反思与自我修正（Reflection Agent）
RAG + Agent（检索增强智能体）
工作流编排（Workflow / DAG Agent）

一、单 Agent 循环（Loop Agent）

1. 架构思想

这是最基础的 Agent 模式：

LLM = 大脑 + 工具调用 + 环境反馈 + 循环执行

核心流程：

用户输入 → LLM思考 → 调用工具/生成动作 → 获取反馈 → 再思考 → 循环直到完成

2. 典型结构

while not done: thought = LLM(state) action = parse(thought) observation = tool(action) state.update(observation)

3. 特点

优点：

实现简单
可扩展工具调用
类似 ReAct 模式（Reasoning + Acting）

缺点：

容易“无限循环”
缺乏全局规划能力
长任务容易迷失

4. 适用场景

简单问答 Agent
自动化脚本执行
单目标任务（如查询、计算）

二、规划 + 执行（Plan & Execute）

1. 核心思想

将“思考”和“执行”分离：

先规划，再执行，而不是边做边想

2. 架构流程

┌────────────┐ User → │ Planner │ → 任务拆解（Plan） └────────────┘ ↓ ┌────────────┐ │ Executor │ → 执行子任务 └────────────┘ ↓ 汇总结果

3. 示例任务

“帮我写一篇关于 MySQL 索引优化的文章”

Planner 输出：

搜索 MySQL B+Tree
分析索引失效场景
总结优化策略
组织文章结构

Executor 按步骤执行。

4. 优缺点

优点：

稳定性强
可控性高
适合复杂任务

缺点：

规划质量依赖 LLM
可能过度拆解

三、多 Agent 协作（Multi-Agent）

1. 核心思想

多个 Agent 分工协作：

每个 Agent 是一个“专家”，系统是“团队”

2. 常见角色设计

Planner Agent（规划）
Coder Agent（写代码）
Reviewer Agent（审查）
Research Agent（检索）
Coordinator Agent（调度）

3. 架构图

┌────────────┐ │ Coordinator│ └─────┬──────┘ ┌─────────┼─────────┐ ↓ ↓ ↓ Planner Coder Reviewer ↓ ↓ ↓ ─────结果汇总─────

4. 特点

优点：

模拟真实团队协作
可扩展性强
更高质量输出

缺点：

成本高（多 LLM 调用）
协调复杂
容易信息冗余

5. 适用场景

AI 编程助手（如 AutoGPT 类）
文档生成系统
复杂决策系统

四、反思与自我修正（Reflection Agent）

1. 核心思想

让 Agent “会复盘”：

生成 → 评估 → 修正 → 再生成

2. 工作流程

初始输出 → 评估器（Critic）→ 问题反馈 → 改进输出

3. 结构示意

┌────────────┐ │ Generator │ └─────┬──────┘ ↓ ┌────────────┐ │ Critic │ └─────┬──────┘ ↓ ┌────────────┐ │ Refiner │ └────────────┘

4. 优点

显著提升输出质量
减少 hallucination
适合写作、代码优化

5. 缺点

成本翻倍
延迟增加

五、RAG + Agent（检索增强智能体）

1. 核心思想

结合外部知识库：

LLM + 向量检索 = “有知识边界的智能体”

2. 架构流程

User Query ↓ Embedding ↓ Vector DB Retrieval ↓ Context + Prompt ↓ LLM Reasoning ↓ Tool/Answer Output

3. Agent增强版本

在 RAG 基础上加入：

Query Rewriting Agent（查询改写）
Retrieval Agent（多轮检索）
Answer Synthesis Agent（答案融合）

4. 优点

降低幻觉
支持私有知识库
可扩展企业应用

5. 典型应用

企业知识库问答
文档助手
智能客服系统

六、工作流编排（Workflow / DAG Agent）

1. 核心思想

把 Agent 任务“工程化”：

用 DAG（有向无环图）管理 LLM 节点

2. 结构示意

[Input] ↓ ┌──────────┐ │ Parser │ └────┬─────┘ ↓ ┌──────────────┐ │ Task Router │ └────┬────┬────┘ ↓ ↓ Search Reason ↓ ↓ └──────┬──────┘ ↓ Answer Merge ↓ Output

3. 特点

优点：

强可控（工程级）
可观测性强
易调试

缺点：

灵活性较差
设计成本高

4. 适用场景

企业级 AI 系统
审批流 / 工作流自动化
多模块 AI 系统

七、六种 Agent 架构对比总结

架构	灵活性	稳定性	成本	复杂度	适用场景
单 Agent Loop	高	低	低	低	简单任务
Plan & Execute	中	高	中	中	复杂任务
Multi-Agent	高	中	高	高	团队型任务
Reflection	中	高	高	中	高质量生成
RAG + Agent	中	很高	中	中	知识问答
Workflow/DAG	低	很高	中	很高	企业系统