Agentic 设计模式

反思、规划、工具使用、多智能体协作——构建智能 RAG 系统的四大基石

---

概述

Agentic RAG 的强大能力源于四种核心设计模式的组合应用。这些模式不是孤立存在的，而是相互协作，共同支撑起智能体的自主行为能力。

设计模式	核心能力	成熟度	可预测性
反思（Reflection）	自我评估与迭代改进	高	高
规划（Planning）	任务分解与路径规划	中	中
工具使用（Tool Use）	扩展能力边界	高	高
多智能体协作	分工合作与并行处理	中	低

---

一、反思模式（Reflection）

反思是最基础也是最成熟的 Agentic 设计模式，它使智能体能够迭代评估和改进自己的输出。

图 1：Agentic 自我反思机制

工作原理

初始输出 → 自我评估 → 识别问题 → 修正改进 → 再次评估 → ... → 满意输出
              ↑_______________________________|
                      反思循环

反思的三个层次

1. 内部反思

智能体审视自己的输出，从正确性、风格、效率等维度进行自我批评：

# 内部反思伪代码
def reflect(self, output):
    critique = self.llm.evaluate(output, criteria=[
        "correctness",  # 正确性
        "completeness", # 完整性
        "coherence",    # 连贯性
        "relevance"     # 相关性
    ])
    if critique.has_issues():
        return self.improve(output, critique.feedback)
    return output

2. 外部验证

结合外部工具验证结果，如单元测试、Web 搜索等：

生成代码 → 运行单元测试 → 测试失败 → 分析错误 → 修正代码 → 重新测试

3. 多智能体反思

一个智能体生成，另一个智能体批评，形成协作改进：

生成智能体 → 输出 → 批评智能体 → 反馈 → 生成智能体 → 改进输出

实际应用：法律研究系统

用户查询："关于数据隐私的最新判例"

第一轮：检索相关判例 → 生成摘要
反思：检查引用准确性、判例时效性
发现：部分判例已过时

第二轮：补充检索最新判例 → 更新摘要
反思：检查完整性和法律解释准确性
通过：输出最终结果

相关研究

• Self-Refine：迭代自我改进框架
• Reflexion：基于反思的强化学习
• CRITIC：自我验证与批评机制

---

二、规划模式（Planning）

规划使智能体能够自主分解复杂任务，动态确定完成目标所需的步骤序列。

图 2：Agentic 规划机制

核心能力

规划模式的关键在于动态适应——当预定义工作流无法满足需求时，智能体能够自主规划执行路径：

复杂任务 → 任务分解 → 子任务序列 → 动态调整 → 执行监控 → 结果整合

规划 vs 反思

维度	反思	规划
时机	输出后评估	执行前规划
焦点	质量改进	路径选择
确定性	高度可预测	相对不确定
适用场景	单一输出优化	多步骤任务

规划策略

1. 前向规划（Forward Planning）

从起点出发，逐步推进到目标：

当前状态 → 可用动作 → 选择最优 → 执行 → 新状态 → ...

2. 后向规划（Backward Planning）

从目标倒推所需步骤：

目标状态 → 需要什么 → 前置条件 → 再前置 → ... → 当前状态

3. 层次规划（Hierarchical Planning）

将大任务分解为多层子任务：

总任务
├── 子任务1
│   ├── 步骤1.1
│   └── 步骤1.2
├── 子任务2
│   ├── 步骤2.1
│   └── 步骤2.2
└── 子任务3

实际应用：研究报告生成

用户请求："撰写关于量子计算商业应用的研究报告"

规划输出：
1. 定义研究范围和目标受众
2. 检索学术文献（3-5篇核心论文）
3. 检索行业报告（市场规模、主要玩家）
4. 检索最新新闻（近期突破、投资动态）
5. 整合信息，构建报告框架
6. 分章节撰写内容
7. 添加引用和数据可视化
8. 自我审查和优化

执行监控：每步完成后评估是否需要调整后续计划

---

三、工具使用模式（Tool Use）

工具使用扩展了智能体的能力边界，使其能够与外部系统交互，获取实时数据、执行计算、操作资源。

图 3：Agentic 工具使用机制

工具类型

类型	示例	能力扩展
信息检索	向量数据库、Web 搜索	获取外部知识
数据处理	SQL 查询、数据分析	结构化数据操作
计算工具	计算器、代码解释器	精确计算
外部 API	天气、股票、地图	实时信息
系统操作	文件读写、命令执行	环境交互

工具选择挑战

当可用工具数量众多时，工具选择成为关键挑战：

问题：50+ 可用工具，如何选择最合适的？

解决方案（受 RAG 启发）：
1. 工具描述向量化
2. 查询-工具相似度匹配
3. Top-K 工具候选
4. LLM 精细选择

工具使用工作流

# 工具使用伪代码
def use_tools(self, task):
    # 1. 分析任务需要哪些工具
    required_tools = self.analyze_tool_needs(task)

    # 2. 选择最相关的工具
    selected_tools = self.select_tools(required_tools)

    # 3. 构建工具调用计划
    tool_plan = self.plan_tool_usage(selected_tools, task)

    # 4. 执行工具调用
    results = []
    for tool_call in tool_plan:
        result = self.execute_tool(tool_call)
        results.append(result)

    # 5. 整合工具结果
    return self.synthesize_results(results)

现代实现

• GPT-4 Function Calling：原生工具调用支持
• LangChain Tools：丰富的工具生态
• MCP（Model Context Protocol）：标准化工具协议

---

四、多智能体协作模式

多智能体协作将复杂任务分配给多个专业化智能体，每个智能体专注于特定领域，通过协作完成整体目标。

图 4：多智能体协作架构

设计理念

复杂任务
    │
    ↓
┌───────────────────────────────────────────┐
│             协调智能体（Orchestrator）       │
└───────────────────────────────────────────┘
    │           │           │           │
    ↓           ↓           ↓           ↓
┌───────┐  ┌───────┐  ┌───────┐  ┌───────┐
│检索专家│  │分析专家│  │写作专家│  │验证专家│
└───────┘  └───────┘  └───────┘  └───────┘
    │           │           │           │
    └───────────┴───────────┴───────────┘
                    │
                    ↓
              结果整合与输出

协作模式

1. 顺序协作

智能体按序处理，前一个的输出是后一个的输入：

Agent A → Agent B → Agent C → 最终输出

2. 并行协作

多个智能体同时处理不同子任务：

        ┌→ Agent A ─┐
任务 ───┼→ Agent B ─┼→ 结果合并
        └→ Agent C ─┘

3. 辩论协作

多个智能体对同一问题给出观点，通过辩论达成共识：

Agent A ←→ Agent B
    ↘      ↙
   最终共识

关键特性

特性	说明
独立记忆	每个智能体维护自己的上下文
专业化工具	不同智能体配备不同工具集
通信机制	中间结果共享与协调
失败隔离	单点失败不影响整体

实现框架

• AutoGen（微软）：多智能体对话框架
• CrewAI：角色扮演多智能体系统
• LangGraph：图结构智能体编排

---

设计模式组合应用

在实际的 Agentic RAG 系统中，这四种模式通常组合使用：

用户查询
    │
    ↓
┌─────────────────────────────────────┐
│          规划模式                    │
│   分解任务 → 确定执行路径            │
└─────────────────────────────────────┘
    │
    ↓
┌─────────────────────────────────────┐
│        多智能体协作                  │
│   分配子任务给专业智能体              │
└─────────────────────────────────────┘
    │
    ↓
┌─────────────────────────────────────┐
│         工具使用                     │
│   各智能体调用所需工具               │
└─────────────────────────────────────┘
    │
    ↓
┌─────────────────────────────────────┐
│          反思模式                    │
│   评估结果 → 迭代改进               │
└─────────────────────────────────────┘
    │
    ↓
最终输出

---

模式选择指南

场景	推荐模式	原因
单一输出质量优化	反思	迭代改进最有效
复杂多步骤任务	规划	需要路径规划
需要外部数据/能力	工具使用	扩展 LLM 边界
大规模并行处理	多智能体	分而治之
高准确性要求	反思 + 多智能体	多重验证
动态复杂任务	全部组合	综合能力

---

思考题

1. 在什么情况下，过度使用反思模式可能适得其反？
2. 如何设计智能体间的通信协议以最小化信息损失？
3. 工具选择的"最优"如何定义？准确性、速度、成本如何权衡？