Agentic Design Patterns 学习笔记：构建智能代理系统的 21 个核心模式 • wth2jhl.online

前言#

最近阅读了 Antonio Gullí（Google）的新书《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》，这是一本关于如何构建智能代理（AI Agent）系统的实践指南。书中提出了 21 种核心设计模式，非常系统化，适合想要深入学习 Agent 技术的开发者。

这本书的核心理念是：构建智能系统就像在画布上创作一幅复杂的艺术作品，需要结构化的设计模式和经过验证的方法论。

一、什么是 AI Agent？#

1.1 Agent 的基本定义#

AI Agent（智能代理）是一种能够感知环境、制定计划并执行行动以达成特定目标的系统。与传统软件不同，Agent 具有：

自主性（Autonomy）：无需持续人工干预即可执行操作
主动性（Proactiveness）：主动朝着目标采取行动
反应性（Reactivity）：对环境变化做出有效响应
工具使用能力（Tool Use）：调用外部 API、数据库或服务
记忆能力（Memory）：跨交互保留信息

1.2 Agent 的五步循环#

Agent 通过一个简单的五步循环来完成任务：

1. 获取任务（Get the mission）→ 你给它一个目标
2. 扫描环境（Scan the scene）→ 收集信息（读邮件、查日历等）
3. 思考推理（Think it through）→ 制定行动计划
4. 执行行动（Take action）→ 发送邀请、排会议、更新日历等
5. 学习改进（Learn and get better）→ 观察成功案例并适应

plaintext

1.3 从 LLM 到 Agentic AI 的演进#

LLM（基础语言模型）
   ↓
RAG（检索增强生成）
   ↓  
Agentic RAG（代理增强的 RAG）
   ↓
Agentic AI（多代理协作系统）

plaintext

根据研究，到 2025 年初，96% 的大型 IT 公司正在积极使用 AI 代理。到 2024 年底，AI 代理创业公司已融资超过 20 亿美元，市场估值达 52 亿美元，预计到 2034 年将增长到近 2000 亿美元。

二、Agent 的四个复杂度级别#

Level 0：核心推理引擎#

LLM 本身不是 Agent，但可以作为推理核心。在此级别中：

无工具、无记忆、无环境交互
仅基于预训练知识响应
优势：强大的内部推理能力
局限：完全缺乏当前事件认知

Level 1：连接型问题解决者#

LLM 通过连接外部工具成为功能性 Agent：

可执行多步骤操作收集和处理信息
可调用搜索引擎、财务 API 等外部工具
从预训练知识扩展到实时信息获取

Level 2：战略型问题解决者#

Agent 能力显著扩展，具备：

战略规划：处理复杂多部分问题
上下文工程（Context Engineering）：战略性地选择、打包和管理每个步骤最相关的信息
主动和持续运营：如旅行助手自动从冗长的确认邮件中提取关键信息
自我改进：通过反馈自动优化上下文工程流程

Level 3：协作式多代理系统#

重要范式转变：从追求单个超级 Agent 转向多代理协作系统。

类比人类组织结构，不同代理担任不同角色：

项目经理代理：中央协调者
市场研究代理：收集消费者数据
产品设计代理：开发概念
营销代理：制作推广材料

三、21 种核心设计模式#

第一组：基础结构模式#

1. Prompt Chaining（提示链）#

核心思想：将复杂任务分解为有序的子任务序列，每个子任务通过专门设计的提示词处理。

为什么需要：

单个复杂提示会导致指令忽略、上下文漂移、错误传播、幻觉

示例流程：

步骤 1：总结市场报告 → "你是一名市场分析师，请总结以下报告的关键发现：[文本]"
步骤 2：识别趋势 → "基于摘要，识别前三个新兴趋势并提取支持每个趋势的具体数据点"
步骤 3：撰写邮件 → "起草一封简明的邮件给营销团队，概述以下趋势及其支持数据"

plaintext

关键收益：

模块化和清晰度
每个步骤可独立优化
减少模型认知负荷
更准确、更可靠的最终输出

2. Routing（路由）#

核心思想：将不同类型的查询导向专门的处理路径或专门的代理。

应用场景：

客服系统：根据问题类型分流到不同专业代理
查询分类：判断意图后分配到对应处理流程

3. Parallelization（并行化）#

核心思想：将任务分解为可并行处理的独立子任务，提高效率和吞吐量。

示例：

同时从多个 API 收集信息
并行处理数据验证和分析
多模态内容同时生成

4. Reflection（反思）#

核心思想：Agent 在生成响应或采取行动前，进行自我评估和改进。

应用：

代码生成后进行自我审查
创意写作的迭代改进
复杂问题的策略规划

第二组：能力扩展模式#

5. Tool Use / Function Calling（工具使用）#

核心思想：Agent 能够调用外部工具和服务，突破预训练知识的限制。

工具类型：

搜索引擎（实时信息）
数据库（结构化查询）
计算服务（数学运算）
代码执行环境
第三方 API

关键框架示例：

# LangChain 工具调用示例
tools = [
    Tool(name="Search", func=search_engine.search),
    Tool(name="Calculator", func=calculator.compute),
    Tool(name="Weather", func=weather.get_forecast)
]
agent = initialize_agent(tools, llm, agent="zero-shot-react-description")

python

6. Planning（规划）#

核心思想：Agent 能够制定和执行多步骤计划以实现复杂目标。

示例应用：

Google DeepResearch：自动化深度研究任务
OpenAI Deep Research API：复杂信息搜集和分析

7. Multi-Agent Collaboration（多代理协作）#

核心思想：多个专业代理协同工作，共同完成复杂任务。

CrewAI 示例：

# 创建代理团队
researcher = Agent(role="Market Research Analyst", ...)
writer = Agent(role="Content Writer", ...)
editor = Agent(role="Editorial Reviewer", ...)

# 组成团队
crew = Crew(agents=[researcher, writer, editor], tasks=[...])
result = crew.kickoff()

python

8. Memory Management（记忆管理）#

核心思想：跨交互保留和管理信息，使 Agent 能够维护长期上下文。

记忆类型：

会话记忆（Session Memory）：跟踪每次对话
状态（State）：会话的临时便签本
长期记忆（Long-term Memory）：跨会话积累的知识

第三组：高级智能模式#

9. Learning and Adaptation（学习与适应）#

核心思想：Agent 从经验中学习并改进自身性能。

案例研究：

SICA（自我改进编码代理）：从反馈中学习如何更好地编写代码
AlphaEvolve：通过 AI 生成和改进算法
OpenEvolve：开放式的 AI 驱动发现

10. Model Context Protocol / MCP（模型上下文协议）#

核心思想：标准化的代理与外部工具/服务之间的通信协议。

MCP vs 工具调用：

MCP：专门为代理设计，支持双向通信和复杂交互
工具调用：更简单的函数调用机制

示例架构：

代理 ←→ MCP Server ←→ 外部资源
              ↓
         FastMCP / 其他实现

plaintext

11. Goal Setting and Monitoring（目标设定与监控）#

核心思想：Agent 能够设定目标、监控进度并处理偏差。

关键组件：

目标分解为可执行的子目标
进度跟踪机制
异常检测和纠正

12. Exception Handling and Recovery（异常处理与恢复）#

核心思想：系统性地处理错误并从失败中恢复。

策略：

优雅降级
自动重试机制
降级方案执行

第四组：安全与可靠性模式#

13. Human-in-the-Loop（人机协作）#

核心思想：在关键决策点引入人工审核和干预。

应用场景：

高风险操作前的审批
敏感信息处理
模型不确定时的澄清

14. Knowledge Retrieval / RAG（知识检索）#

核心思想：通过检索外部知识来增强 Agent 的知识库。

核心技术：

嵌入（Embeddings）：将文本转为向量
向量数据库：高效相似性搜索
分块（Chunking）：文档分割策略
图 RAG：利用知识图谱增强检索

Agentic RAG：将 RAG 与代理能力结合，实现动态检索和推理。

15. Inter-Agent Communication / A2A（代理间通信）#

核心思想：多个代理之间的标准化通信协议。

A2A vs MCP：

A2A：代理与代理之间的协作通信
MCP：代理与外部工具/资源的连接

16. Resource-Aware Optimization（资源感知优化）#

核心思想：根据可用资源动态优化代理行为。

策略：

动态模型切换
成本-效益平衡
性能-延迟权衡

第五组：推理与评估模式#

17. Reasoning Techniques（推理技术）#

核心技术：

Chain of Thought (CoT)：逐步推理
Self-Consistency：自洽性
Tree of Thoughts (ToT)：思维树
ReAct：推理+行动

缩放推理定律：更多推理计算 → 更好性能

18. Guardrails / Safety Patterns（安全护栏）#

核心思想：确保代理行为安全、可靠、符合预期。

实施层面：

输入验证
输出过滤
行为约束
审计日志

19. Evaluation and Monitoring（评估与监控）#

核心思想：系统性地评估代理性能和健康状况。

关键指标：

任务完成率
响应质量
代理轨迹分析
错误率统计

20. Prioritization（优先级）#

核心思想：根据重要性紧急度对任务排序。

应用场景：

多任务调度
资源分配优化
截止日期管理

21. Exploration and Discovery（探索与发现）#

核心思想：主动探索未知领域，发现新的解决方案。

案例：

Google Co-scientist：AI 辅助科学研究
AlphaFold：蛋白质结构预测
AlphaGenome：基因组分析

四、关于 Agent 的五大未来假设#

假设 1：通用代理的出现#

AI 代理将从窄领域专家演变为能够管理复杂、模糊、长期目标的真正通才。

示例：你只需说”规划下季度在里斯本举办30人的公司团建”，Agent 就能管理整个项目数周，处理从预算审批到航班谈判的一切。

两条可能路径：

大型通用模型
小型专业模型的组合（“乐高式”概念）

假设 2：深度个性化与主动目标发现#

代理将成为高度个性化的主动伙伴：

从被动响应 → 主动预测需求
帮助你发现和追求尚未完全表达的目标

假设 3：具身化与物理世界交互#

代理将从纯数字领域突破，与机器人结合：

家庭代理执行实际维修任务
从制造业到养老服务

假设 4：代理驱动经济#

高度自主的代理将成为经济活动的主动参与者：

代理作为独立经济实体
自主运营电商业务
新型”代理经济”出现

假设 5：目标驱动的变形多代理系统#

代理系统将从显式编程转向声明式目标：

声明期望结果，系统自主确定实现方式
动态调整多代理拓扑结构
真正的自我改进能力

五、主流开发框架#

LangChain & LangGraph#

特点：

灵活链接语言模型和组件
适合构建复杂操作序列和图形

# LangGraph 状态机示例
from langgraph.graph import StateGraph

graph = StateGraph(AgentState)
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_edge("research", "write")

python

CrewAI#

特点：

专为多代理角色和任务协调设计
适合协作代理系统

Google ADK#

特点：

完整的代理开发工具包
与 Google AI 基础设施深度集成
支持 Vertex AI 平台

六、关键要点总结#

设计模式是构建可靠 Agent 的基石：避免重复造轮子，利用经过验证的解决方案
上下文工程是关键技能：战略性地选择、打包和管理信息输入，防止模型过载
多代理协作是未来趋势：复杂任务需要多个专业代理协同工作
安全护栏不可或缺：在享受 Agent 便利性的同时，必须建立完善的防护机制
持续学习和适应：Agent 应能从经验中学习并自动改进
人机协作仍然重要：在关键决策点保持人工审核

结语#

《Agentic Design Patterns》这本书系统性地梳理了构建智能代理系统的 21 种核心模式，从基础的 Prompt Chaining 到高级的 Multi-Agent Collaboration，覆盖了从理论到实践的完整知识体系。

对于想要深入学习 Agent 技术的开发者来说，这是一本非常实用的参考书。书中的代码示例覆盖了 LangChain、LangGraph、CrewAI 和 Google ADK 等主流框架，可以直接动手实践。

Agent 时代已经到来，掌握这些设计模式将帮助我们更好地构建可靠、高效、智能的代理系统。

📚 参考书籍：Antonio Gullí, “Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems”, Springer, 2025