5种Agentic AI设计模式

Agentic行为允许大型语言模型(LLMs)通过整合自我评估、规划和协作来优化输出！

反思模式

工作流：

• 用户（User）提出查询（Query）
• deepseek LLM（生成）创建初始输出（Initial output）
• deepseek LLM（反思）审查并改进输出（Reflected output）
• 迭代（Iterate）优化直至生成最终响应

工具使用模式

这很有帮助，因为LLM不再仅仅依赖其内部知识。

工作流：

• 用户提出查询
• deepseek LLM决定调用工具（Tool calling）
• 访问向量数据库（Vector database）和工具与API（Tools & APIs）
• 基于工具返回结果生成最终响应

ReAct（推理与行动）模式

ReAct智能体以"思考→行动→观察"（Thought → Action → Observation）的循环运行，重复直至达成解决方案或最终答案。这类似于人类解决问题的方式：

工作流：

1. 用户提出查询
2. deepseek LLM（推理）分析问题并决定行动方案
3. 调用工具（Tools）执行行动
4. 观察环境（Environment）反馈结果
5. deepseek LLM（生成）基于结果生成响应

ReAct模式详细流程

ReAct模式循环：

plaintext

思考（Thought）→ 行动（Action）→ 观察（Observation）→ 回答（Answer） ↑ | └───────────────────────────────────────┘

注意：像CrewAI这样的框架默认主要使用这种模式。

如上所示，智能体在生成响应前会经历一系列思考活动。这就是实际应用中的ReAct模式！

规划模式

这种战略思维能更有效地解决任务。

注意：在CrewAI中，指定"planning=True"即可使用规划功能。

工作流：

1. 用户提出查询

2. 规划器（Planner）生成任务计划（Generated tasks）

3. ReAct智能体执行单个任务（Execute single task）

4. 检查任务是否完成（Finished?）

5. 是（YES）：生成最终响应

6. 否（NO）：返回规划器调整计划

多智能体模式

所有智能体共同协作以交付最终结果，同时在需要时将任务委派给其他智能体。

工作流：

1. 用户提出查询

2. PM智能体接收请求并进行初步处理

3. 任务委派（Delegation）：

4. PM智能体将任务分配给Tech lead智能体

5. Tech lead智能体协调SDE智能体执行具体任务

6. DevOps智能体提供技术支持并反馈结果

7. 各智能体协作完成任务后，生成最终响应

五级Agentic AI系统

Agentic AI系统不仅能生成文本，还能做决策、调用函数，甚至运行自主工作流。

基础响应

工作流程：

• 用户提出查询（Query）
• 通过提示词（Prompt）输入到deepseek大型语言模型
• 模型直接生成响应（LLM response）

特点：

• 由人类引导整个流程
• LLM只是一个通用响应器，接收输入并产生输出
• 对程序流程几乎没有控制权

路由模式

工作流程：

• 用户提出查询
• deepseek路由LLM决定采用路径1（Path 1）或路径2（Path 2）
• 对应路径的LLM生成响应

特点：

• 人类定义流程中存在的路径/函数
• LLM对采用哪个函数或路径做出基本决策

工具调用

工作流程：

• 用户提出查询
• LLM决定调用工具（Tool calling）
• 可访问的工具包括：

• 向量数据库（Vector DB）
• APIs
• 本地文件系统（Local file system）
• 浏览器（Browser）

• 工具返回结果后，LLM生成最终响应

特点：

• 人类定义LLM可访问的工具集以完成任务
• LLM决定何时使用这些工具以及执行的参数

多智能体模式

工作流程：

• 用户提出查询
• 管理器智能体（Manager Agent）协调多个子智能体（Sub-Agent）
• 子智能体之间通过协作（Collaboration）完成任务
• 生成最终响应

特点：

• 管理器智能体迭代协调多个子智能体并决定下一步
• 人类规划智能体之间的层级关系、角色和工具等

自主模式

工作流程：

1. 用户提出查询
2. 生成器智能体（Generator Agent）创建响应
3. 验证器智能体（Validator Agent）提供反馈（Feedback）
4. 生成器根据反馈优化响应
5. 生成最终响应（Final response）

特点：

• 最高级别的模式，LLM能独立生成和执行新代码
• 有效充当独立的AI开发者
• 自主迭代和优化，最小化人类干预

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】