Table of Contents
总结来说，AI Agent分位简单LLM应用、Single Agent、WorkFlow、Multi Agent四种模式。
1.1 简单LLM应用
通过提示词直接调用大模型api的方式，获取输出，常用于模型聊天等场景，这也是最简单的一种模式。
1.2 Single Agent （智能体）
单智能体具备检索、工具和记忆等增强功能。 模型可以主动使用这些功能，例如搜索查询、选择适当的工具、保存必要的信息到记忆模块中等。
受限于当前的模型能力，在复杂业务场景下单Agent无法很好完成任务，主要会有以下问题：
- 如果一个agent包含太多的tools，模型在决策时会无所适从，效果变差
- 多轮执行下来，消息上下文会变得很大，会影响模型的专注度（TODO：补一篇注意力转移机制，解释原因）
- 模型上下文窗口受限
- 复杂任务还需要专业领域的支持
- 稳定性&可维护性变弱
为了改善上述问题，由此引出WorkFlow和Multi Agent两种模式。
1.3 WorkFlow（工作流）
工作流将任务拆解为多个节点，将整体任务流程固化下来，几个常见范式：
1.3.1 Chain
1.3.2 Routing
1.3.3 parallelization
1.3.4 Orchestrator-workers (编排者-工作者)
在这种 Workflow 中，一个中心式 LLM 动态地分解任务，将其委托给 worker LLM，并汇总它们的结果。
适用于无法预测所需子任务的复杂任务。例如Code Review、智能搜索。
虽然在拓扑上与 Parallelization Workflow 相似，但关键区别在于其灵活性 —— 子任务不是预先定义的，而是由协调者/编排者根据特定输入确定的。
1.3.5 Evaluator-optimizer (评估者-优化者)
在这种 Workflow 中，一个 LLM call 生成响应，而另一个提供评估和反馈，形成一个闭环。适用于有明确的评估标准，并且迭代式改进确实有效，例如文档润色、测试用例评审。
参考：https://platform.claude.com/cookbook/patterns-agents-evaluator-optimizer
1.4 Multi-Agent架构
1.4.1 Single Agent
见1.2
1.4.2. Network（网状协作模式）
多个 Agent 互相连接，没有明显的上下级关系，大家是一个 Peer-to-Peer（点对点） 的网络。每个 Agent 都可以向其他 Agent 发起对话。
- 优点： 灵活性极高。
- 缺点： 由于缺乏约束，稳定性不高
1.4.3. Supervisor（主管模式）
一个核心的 Supervisor Agent（主管） 居中调度，指挥子 Agent 干活。所有指令都由主管分发，子 Agent 之间通常不直接沟通。
生活案例：
装修包工头。你（主管）负责接单和统筹。需要砸墙，你喊“拆旧师父”去；需要走线，你喊“水电工”去。水电工和拆旧师父不需要聊天，他们只对你负责。
- 优点： 流程清晰解耦，容错率高。
- 缺点： 主Agent效果最为关键，复杂任务中容易成为瓶颈
1.4.4 Supervisor (as tools)（主管-工具化模式）
LLM 调用的不是 API 工具，而是其他 Agent。
- 优点： 极大地封装了复杂性。主模型不需要知道子任务的具体执行细节，只看结果。
- 缺点： 依赖于子 Agent 的封装质量，且主模型难以干预子任务的中间过程。
1.4.5 Hierarchical（层级/树状模式）
Supervisor模式的升级版。主管下面有组长，组长下面有员工，形成严格的树状结构。
- 优点： 极其适合处理大规模、长链路的复杂任务。分工明确，扩展性强（可以无限加层级）。
- 缺点： 传递链条长，信息在层层传递中可能会丢失或失真（传话筒游戏效应）。响应速度相对较慢。
1.4.6 Custom（自定义流式模式）
一种有向图（Graph） 结构。Agent 之间的连接是根据特定业务逻辑定制的。数据流向是设计好的，不像 Network 那么乱，也不像 Hierarchical 那么死板。感觉很像WorkFlow
- 优点： 专精于特定业务场景，效率最高，最稳定。工业界落地最常用的模式（比如 LangGraph）。
- 缺点： 灵活性差，开发成本高。一旦业务流程变了，整个架构都要重写。
参考：