新闻详情

新闻详情

首页 / 资讯中心 / 详情

130.Agent-Agent设计模式-6种主流模式

发布时间:2026/11/21 13:23:11来源:尧图网络
130.Agent-Agent设计模式-6种主流模式
摘要本文介绍了 Agent 的 6 种主流设计模式包括 ReAct、plan-and-execute、Multi-Agent、Workflow/DAG、Self-Ask 以及 Thinking and Self-Reflection。其中 ReAct 是 LangChain 1.0 之后的默认模式通过思考与执行循环直至得到最终答案plan-and-execute 先规划再执行可与 ReAct 混合使用Multi-Agent 通过多个 Agent 协调配合Workflow/DAG 基于 LangGraph 固定执行流程Self-Ask 已逐渐被弃用Thinking and Self-Reflection 则是当前较常用的模式。这 6 种模式并非互斥可以混合使用。内容参考于图灵AI大模型全栈Agent有6种主流的设计模式LangChain1.0之前有很多Agent设计模式在LangChain1.0之后crate_agent默认ReAct模式如下图6种主流设计模式ReActReAct模式它是思考Reason和执行Act模式它是一边思考一边执行然后通过观察结果的内容来不断的在思考和执行之前来循环直到得到最终的答案假设第一次思考需要调用工具那么它就会去调用工具然后会得到一个结果然后它会观察这个结果是不是最终答案如果不是就拿着结果再次的思考这样一直循环直到得到最终的答案这个模式会陷入到死循环中LangChain提供了调用次数限制中间件可以通过它避免死循环并且会很消耗token如下图红框限制工具和模型的调用次数中间件除了下图红框在121节中也有写限制次数的另一种方式https://docs.langchain.com/oss/python/langchain/middleware/built-inplan-and-executeplan-and-execute模式是规划和执行模式这种模式拿到问题后先对问题进行规划然后根据规划的内容执行然后得到结果在LangChain中可以通过中间件任务规划中间件实现这个是以前版本的模式现在的LangChain可以多融合多种模式一起执行LangChain默认ReAct模式我们可以通过中间件给它添加上 plan-and-execute 模式这样 ReAct模式和plan-and-execute模式一起使用任务规划中间件在121节中有示例Multi-AgentMulti-Agent是多智能体协助模式也就是多个Agent管理员来协调其它Agent互相配合执行Workflow/DAGWorkflow/DAG它是工作流模式也就是LangGraph后面会写LangGraph它和任务规划中间件的区别是Workflow/DAG模式的执行流程完全是我们通过写LangGraph代码固定的而任务规划中间件是大模型通过问题来规划的Workflow/DAG模式是我们自己可控的但是它的开发过程比较漫长Self-AskSelf-Ask它是自问自答模式当Agent拿到问题后它先是问自己想处理好当前的问题需要先解决哪些问题这样它就得到一些通过问题得到的问题这样它就会先解决通过问题得到的问题这个模式已经没人用了Thinking and Self-ReflectionThinking and Self-Reflection它是思考和自我反思模式它是拿到问题先进行思考思考完后会得到一个结果然后自我反思拿到的这个结果还有没有问题然后修复思路然后继续思考最终得到一个答案这个模式是现在比较常用的上方的6中模式并不是只能选择一种它们是都可以混合一起使用的
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉