1.8 Agentic设计模式

智能体工作流的核心思想是将复杂的任务分解为一系列基础“构建模块”（building blocks），然后通过特定的设计模式将这些模块组合、串联起来，从而构建出能够处理复杂问题的系统。

一、反思 (Reflection)

• 核心概念： 让模型对自己的输出进行检查、评估和改进。
• 工作流程：
  1. 初始生成： 模型根据任务要求生成一个初步结果（如代码）。
  2. 自我评估/外部评估： 将该结果作为输入，再次提示同一个或另一个模型，要求其对结果进行批判性分析（如检查正确性、风格、效率，并给出改进建议）。
  3. 迭代优化： 将评估反馈（如“第5行有bug”或“单元测试失败”）提供给模型，让它基于反馈生成一个更好的版本。
  4. 循环往复： 此过程可以多次迭代，直到达到满意的质量。
• 关键点：
  • 这是一种非常有效的性能提升技术，虽然不能保证100%完美，但能带来显著的性能提升。
  • “反思”可以由同一个模型完成，也可以引入一个专门扮演“审查者”角色的独立模型（即多智能体协作的雏形）。
  • 评估标准可以是客观的（如代码是否能运行），也可以是主观的（如代码风格）。

二、工具使用 (Tool Use)

• 核心概念： 赋予语言模型调用外部工具或函数的能力，以扩展其功能边界。

• 工作流程：

  1. 识别需求： 模型在处理任务时，判断需要调用哪个工具。
  2. 调用工具： 模型生成调用该工具的指令或参数。
  3. 执行与返回： 工具执行操作（如搜索网络、计算数学公式），并将结果返回给模型。
  4. 整合结果： 模型利用工具返回的结果来完成最终任务。

• 工具类型举例：

  • 信息收集： Web search, Wikipedia, Database access.
  • 分析计算： Code Execution, Wolfram Alpha, Bearly Code Interpreter.
  • 生产力： Email, Calendar, Messaging.
  • 图像处理： Image generation, Image captioning, OCR.

• 关键点： 工具使用极大地增强了模型的能力，使其不再局限于文本生成，而是能与现实世界互动并解决更广泛的问题。

三、规划 (Planning)

• 核心概念： 让模型自主决定完成一个复杂任务所需的步骤序列，而不是由开发者硬编码。

• 工作流程：

  1. 任务理解： 模型接收一个复杂请求（如“生成一张女孩读书的图片，姿势与示例图中的男孩相同”）。
  2. 路径规划： 模型自动分解任务，决定需要调用哪些工具以及调用的顺序。
  • 例如：先用 openpose 模型提取男孩的姿势 -> 再用 google/vit 模型根据该姿势生成女孩的图片 -> 接着用 vit-gpt2 模型描述图片 -> 最后用 fastspeech 模型将描述转为语音。
  3. 执行： 按照规划的步骤依次执行。

• 关键点：

  • 这种方式比硬编码的流程更灵活，但控制难度更大，也更具实验性。
  • 它允许模型在面对新任务时，自行构思解决方案，有时会产生令人惊喜的结果。

四、多智能体协作 (Multi-agent collaboration)

• 核心概念： 雇佣多个具有不同专长的角色（智能体）协同工作，共同完成一个复杂项目。
• 工作流程：
  1. 角色分配： 为不同的智能体分配特定角色（如研究员、市场专员、编辑）。
  2. 分工合作： 各个智能体根据自己的角色和能力，执行相应的子任务。
  3. 沟通协调： 智能体之间相互沟通、传递信息，共同推进项目。

多智能体系统在许多复杂任务上优于单智能体系统：

• 关键点：
  • 多智能体协作通常能产生比单个智能体更好的结果，尤其在处理复杂任务（如撰写人物传记、下棋）时。
  • 研究表明，多智能体系统在多项任务上的表现优于单智能体系统。
  • 其缺点是更难控制和调试，因为无法提前预知各个智能体的行为。