• 智能體應(yīng)用構(gòu)建指南：2大核心架構(gòu)+9種設(shè)計模式全解析

• 構(gòu)建智能體應(yīng)用的2種類型和9種模式

• 智能體應(yīng)用的9種設(shè)計模式，建議收藏

• 從單智能體到多智能體：9種模式教你搭建高效AI應(yīng)用

• 強模型≠好智能體！這2類架構(gòu)+9種模式，才是落地核心

全文約4300字，閱讀時間8分鐘

文/王吉偉

想要構(gòu)建一個智能體應(yīng)用，最重要的是什么？可能很多人首先會想到要選擇一個性能強大的大模型。

這個回答沒錯，畢竟當前的LLM Based Agent哪能缺少LLM的支撐。但事實卻是，很多基于先進大模型構(gòu)建的智能體沒能體現(xiàn)出應(yīng)用效果，反而一些使用性能一般大模型的智能體表現(xiàn)更加亮眼。

這是什么原因呢？答案在于，大模型本身的能力并不能決定智能體性能與應(yīng)用效果?；谛阅懿皇悄敲磸姶蟮哪Ｐ退鶚?gòu)建的智能體，在與之契合的應(yīng)用環(huán)境中發(fā)揮了更好的效果。

在企業(yè)充斥大量復(fù)雜流程的生產(chǎn)環(huán)境中構(gòu)建智能體，往往需要考慮所構(gòu)建的智能體如何與企業(yè)系統(tǒng)協(xié)同應(yīng)用，需要考慮智能體如何更好地融入到企業(yè)原有的生產(chǎn)環(huán)境中。因此，智能體的架構(gòu)類型、集成能力以及系統(tǒng)整體的設(shè)計決定了智能體的應(yīng)用表現(xiàn)。

最近看到一篇名為《A practical guide to the architectures of agentic applications》的文章，很好的闡述了這一點。文章認為，在構(gòu)建智能體應(yīng)用時，選擇強大的AI模型并非最重要的決定，架構(gòu)設(shè)計、集成和系統(tǒng)整體設(shè)計才是成功的關(guān)鍵。糟糕的架構(gòu)會導(dǎo)致預(yù)算浪費、技術(shù)債務(wù)和性能不佳。

這篇文章詳細探討了單智能體和多智能體兩種核心架構(gòu)模型，并深入分析了工作流設(shè)計、自主性、協(xié)調(diào)性等要素，提供了常見的設(shè)計模式、實際案例以及一個決策框架，幫助開發(fā)者根據(jù)具體用例選擇合適的架構(gòu)方法。

王吉偉頻道翻譯了此文，以幫助大家更好地理解智能體的應(yīng)用設(shè)計。

以下是正文。

【PS：贈書福利見文末】

很多人以為，構(gòu)建AI產(chǎn)品最重要的是在GPT-4、Claude等商業(yè)模型或者開源模型之間做出選擇，其實這是一個誤區(qū)。更多成功案例和失敗案例告訴我們，大模型的能力并不能決定真正應(yīng)用于生成環(huán)境的智能體應(yīng)用。

即便這些智能體應(yīng)用基于最先進的大模型，如果架構(gòu)、集成和整體系統(tǒng)設(shè)計沒能針對現(xiàn)實應(yīng)用環(huán)境的復(fù)雜性進行設(shè)計與構(gòu)建，一般也不會有多好的表現(xiàn)。

一個架構(gòu)薄弱的強大AI模型，可能會耗盡預(yù)算、浪費GPU時間和造成技術(shù)債務(wù)，甚至其性能還不如一個基于堅實架構(gòu)基礎(chǔ)構(gòu)建的能力較弱的模型。

所以想要構(gòu)建一個高效可用的智能體應(yīng)用，不但要了解智能體應(yīng)用的常見架構(gòu)類型，還要了解他們的架構(gòu)與設(shè)計模式。

這篇文章，將揭秘智能體應(yīng)用的兩大核心架構(gòu)類型單智能體和多智能體，介紹如何考量工作流設(shè)計、自主性與協(xié)調(diào)性。也將提及構(gòu)建兩種智能體應(yīng)用的9種常用設(shè)計模式、實際案例和決策框架，幫助大家具體應(yīng)用時選擇合適的方法。

明確系統(tǒng)需完成的任務(wù)

在選擇智能體應(yīng)用的架構(gòu)及模式之前，首先需要定義系統(tǒng)需要支持的端到端工作流。無論采用什么樣的實現(xiàn)方式，系統(tǒng)從接收初始輸入到產(chǎn)生最終輸出，必須完成哪些步驟？工作流是簡短線性的，還是步驟繁多？某些步驟能否并行運行，或者階段間存在嚴格的依賴關(guān)系？流程是否涉及多個角色、服務(wù)或數(shù)據(jù)類型？整個過程是否需要協(xié)調(diào)、重試或適應(yīng)能力？

系統(tǒng)的工作流決定智能體采用的架構(gòu)，可以幫助大家判斷單智能體設(shè)置是否足夠，抑或需要分布式的多智能體設(shè)計來實現(xiàn)目標。

單智能體架構(gòu)Single-agent architectures

單智能體架構(gòu)依賴一個智能體從頭至尾處理整個工作流，因此非常適合簡單、線性且需極少協(xié)調(diào)的工作流。該智能體負責推理（評估輸入并決定行動）、規(guī)劃（將目標分解為步驟）、執(zhí)行（調(diào)用函數(shù)或API）以及與工具交互（運用模型之外的功能，如數(shù)據(jù)庫或搜索）。

單智能體流程高層示意圖

通過精心設(shè)計，單智能體架構(gòu)在適當條件下也能管理更復(fù)雜的工作流。例如，透明、開源的SWE-agent通過單一控制循環(huán)，自主使用工具來修復(fù)GitHub倉庫中的問題、檢測安全漏洞并執(zhí)行其他由腳本定義的工作流，無需任務(wù)委托或并行處理。

下面我們來看看單智能體架構(gòu)中的一些常見模式，以及即使基礎(chǔ)工作流如何因正確的結(jié)構(gòu)選擇而受益。

單智能體模式The single-agent pattern

其最簡形式為：單智能體系統(tǒng)響應(yīng)觸發(fā)器，處理任務(wù)，并返回輸出。不涉及記憶、規(guī)劃或外部交互，僅包含：輸入、推理和響應(yīng)。此模式適用于簡單自動化或原型驗證，并有助于在構(gòu)建智能體應(yīng)用時檢驗工作流和想法。

單智能體模式示意圖

開源自動化智能體bumpgen是單智能體架構(gòu)的一個實例，它展示了即使是基礎(chǔ)自動化任務(wù)也能從精心設(shè)計的架構(gòu)中獲益。該智能體監(jiān)控項目中的新軟件包發(fā)布，獲取最新版本信息，并創(chuàng)建自動化拉取請求以完成更新。工作流直截了當：檢測、獲取、更新。無需協(xié)調(diào)或并行處理，單個智能體即可獨立處理全流程。

記憶增強智能體模式The memory-augmented agent pattern

當系統(tǒng)需要記住過往上下文（如先前的用戶交互、歷史數(shù)據(jù)或外部狀態(tài)）以做出更佳決策時，此模式很有用。例如，假設(shè)您正在構(gòu)建一個自動提醒系統(tǒng)，用于向用戶發(fā)送個性化提示。

記憶增強智能體模式示意圖

一個基于cron的觸發(fā)器每日運行，智能體從向量記憶庫中查詢過往消息或操作，并利用該上下文生成個性化的提醒。這種設(shè)置使得智能體能夠基于對過去事件的認知進行響應(yīng)。

工具使用智能體模式The tool-using agent pattern

假設(shè)您正在構(gòu)建一個處理發(fā)票請求的客戶支持智能體。當用戶提交支持工單時，智能體需獲取賬單數(shù)據(jù)、進行格式化并返回摘要——這些步驟它無法獨自完成。它會調(diào)用計費API（Billing API）、處理響應(yīng)并自動完成任務(wù)。

工具使用智能體模式示意圖

您不會希望通過硬編碼每個API交互的方式，來確保此過程在智能體內(nèi)可靠運行。相反，您可以引入一個MCP（模型上下文協(xié)議）層——MCP是一種用于標準化訪問外部工具和服務(wù)的協(xié)議。MCP層代表了工具接口層，所有外部交互（主要是API）在此抽象和維護。如此一來，核心邏輯保留在智能體內(nèi)部，而繁重的工作則委托給工具處理。

規(guī)劃智能體模式The planning-agent pattern

規(guī)劃智能體基于初始輸入生成一個多步驟計劃，按順序執(zhí)行每個步驟，并通過理解任務(wù)依賴關(guān)系和跟蹤執(zhí)行狀態(tài)來靈活調(diào)整。

規(guī)劃智能體模式的一個典型用例是SaaS產(chǎn)品的AI入職助手：用戶注冊后，系統(tǒng)必須安排歡迎郵件、設(shè)置產(chǎn)品引導(dǎo)、三天后跟進檢查，若一周后仍無互動則轉(zhuǎn)接人工支持。這些步驟并非自動完成，而是需要按正確順序進行規(guī)劃和執(zhí)行。

規(guī)劃智能體模式示意圖

規(guī)劃智能體模式適用于無法一步完成、且需要一系列協(xié)調(diào)操作的任務(wù)。

反思智能體模式The reflection-agent pattern

反思智能體模式適用于那些除了執(zhí)行，還需要隨時間推移不斷改進的任務(wù)。在完成某項操作后，反思智能體會存儲結(jié)果，將其與目標或指標進行比對，并據(jù)此更新策略。隨著時間的推移，這種反饋循環(huán)能使智能體愈發(fā)高效，即便沒有人工干預(yù)。

假設(shè)您構(gòu)建了一個基于市場信號執(zhí)行每日交易的交易助手。在每個交易日結(jié)束時，智能體會評估哪些交易表現(xiàn)良好、哪些不佳，以及未來如何調(diào)整策略。

反思智能體模式示意圖

當您的系統(tǒng)需要從既往結(jié)果中學習以提升未來性能時，此模式尤為有用。

多智能體架構(gòu)Multi-agent architectures

現(xiàn)實生成環(huán)境的工作流程往往比較復(fù)雜。一旦你構(gòu)建了最小可行產(chǎn)品（MVP）或用單智能體架構(gòu)驗證了流程，很可能需要進一步擴展，以增加更多推理、并行性、精確性或?qū)I(yè)化。這時，多智能體架構(gòu)就派上了用場。

在多智能體架構(gòu)中，多個智能體協(xié)作完成一個復(fù)雜的工作流程。每個智能體承擔特定的職責：規(guī)劃、檢索、分析或執(zhí)行，并與其他智能體溝通以推動流程前進。

多智能體流程高層示意圖

微軟的開源項目TaskWeaver遵循多智能體模式：目標被分解為子任務(wù)——例如檢索文檔、總結(jié)文檔和起草輸出——并分配給各個智能體。一個中央?yún)f(xié)調(diào)器管理智能體間的協(xié)作與結(jié)果傳遞。這種設(shè)置很常見：大多數(shù)有效的多智能體系統(tǒng)都包含一個協(xié)調(diào)智能體，負責監(jiān)督任務(wù)委派。無論它被稱為主導(dǎo)智能體、監(jiān)督者還是管理者，這個智能體都確保工作流程保持有序。

在多智能體設(shè)置中，每個智能體通常被設(shè)計為一個單智能體系統(tǒng)，擁有自己的記憶、工具和決策邏輯。例如，在一個AI交易系統(tǒng)中，你可能擁有負責以下任務(wù)的獨立智能體：

• 獲取實時市場數(shù)據(jù)。

• 執(zhí)行技術(shù)和情感分析。

• 反思過去表現(xiàn)以調(diào)整策略。

• 通過經(jīng)紀商API執(zhí)行交易。

在多智能體架構(gòu)中，焦點從每個智能體做什么轉(zhuǎn)移到它們?nèi)绾螀f(xié)作。

監(jiān)督者模式The supervisor pattern

監(jiān)督者模式是較常用的多智能體架構(gòu)之一，其核心理念很簡單：一個智能體擔任主導(dǎo)。監(jiān)督者智能體接收觸發(fā)指令，將任務(wù)分解為子任務(wù)，并將每個子任務(wù)委托給專用智能體，然后確保智能體以正確的順序、在正確的上下文中運行，并且輸出能夠正確回流。

這種架構(gòu)的一個實際應(yīng)用可能是醫(yī)院的專家預(yù)約系統(tǒng)。當患者發(fā)起請求時，監(jiān)督者智能體控制整個工作流程：

• 首先，它通過調(diào)度器智能體檢查可用性。

• 接著，它通過記錄智能體檢索患者的醫(yī)療記錄。

• 然后，它將記錄發(fā)送給總結(jié)器智能體，以生成簡潔的概述。

• 最后，它將最終摘要轉(zhuǎn)發(fā)給負責通知專家的郵件智能體。

醫(yī)院專家預(yù)約系統(tǒng)的監(jiān)督者模式示意圖

層級模式The hierarchical pattern

作為監(jiān)督者模式的擴展，當任務(wù)過于復(fù)雜或范圍過廣，無法由單個監(jiān)督者管理時，會使用層級模式。它引入了協(xié)調(diào)層：一個頂層智能體處理高層目標，并將其部分委托給中層智能體，中層智能體進一步分解工作并將任務(wù)分配給低層智能體。這種方法在職責必須跨專門團隊或領(lǐng)域劃分的系統(tǒng)中很有用。

例如，在企業(yè)文檔處理系統(tǒng)中，一個頂層智能體可能監(jiān)督整個流程，將總結(jié)任務(wù)委托給一個中層智能體，將數(shù)據(jù)提取委托給另一個中層智能體，每個中層智能體管理自己的工作組。

層級模式示意圖

競爭模式The competitive pattern

競爭模式涉及多個智能體獨立處理同一問題，每個智能體提出自己的解決方案。一個單獨的評估器智能體審查所有提交的方案，并根據(jù)預(yù)定義的標準（如速度、準確性、創(chuàng)造性和成本效益）選擇最合適的方案。

當思想的多樣性或冗余機制可以帶來更好的結(jié)果時，這種方法很有用。它還增加了魯棒性：如果一個智能體失敗或表現(xiàn)不佳，其他智能體可能仍然成功。

競爭模式的一個典型用例是生成營銷文案：多個智能體生成不同的標題或內(nèi)容片段，評估器根據(jù)A/B測試標準選擇最符合品牌指南的方案。

網(wǎng)絡(luò)模式The network pattern

網(wǎng)絡(luò)模式不存在主導(dǎo)智能體。每個智能體都有自己的工具，并直接與其他智能體通信以協(xié)調(diào)任務(wù)。像OpenAI Agents和Crew AI這樣的框架就是圍繞這種模型設(shè)計的。

雖然網(wǎng)絡(luò)模式提供了靈活性，但在實際應(yīng)用中往往不切實際。沒有清晰的流程，智能體之間的通信是非結(jié)構(gòu)化的，使得系統(tǒng)難以調(diào)試、不可靠且運行成本高。每個步驟都可能觸發(fā)額外的大語言模型（LLM）調(diào)用，增加延遲。由于這些原因，網(wǎng)絡(luò)模式通常不適合生產(chǎn)使用，除非你特別需要去中心化設(shè)置，例如在研究或模擬環(huán)境中。

網(wǎng)絡(luò)模式示意圖

后記：幾個建議提升智能體應(yīng)用效果

理解了構(gòu)建智能體系統(tǒng)的機構(gòu)類型和模式，下一步就是選擇適合你生產(chǎn)環(huán)境的構(gòu)建方案。為了讓你的智能體應(yīng)用表現(xiàn)的更好，這里有幾個建議：

1、如果應(yīng)用程序采用多智能體架構(gòu)，可以考慮加入一個反思智能體。雖然多智能體系統(tǒng)受益于提高的精確性、推理能力、并行性和任務(wù)專業(yè)化，但添加反思智能體引入了一個反饋循環(huán)，使系統(tǒng)能夠隨著時間的推移學習和改進。這是利用AI自適應(yīng)潛力的最有效方法之一。

2、如果你正在構(gòu)建一個簡單的MVP或原型，可以從工具調(diào)用型智能體入手。這類智能體適用性強、實現(xiàn)快速，并且已經(jīng)支持記憶和工具。添加一個模型上下文協(xié)議（MCP）層用于外部API訪問，就可以快速推進。

3、如果你的應(yīng)用程序需要多智能體設(shè)置，監(jiān)督者模式通常是最好的起點。其他多智能體模式（如網(wǎng)絡(luò)、層級和競爭）可能有用，但僅適用于特定場景：

• 當你希望多個智能體提出不同解決方案并比較結(jié)果時，選擇競爭模式。

• 當任務(wù)復(fù)雜且需要在子監(jiān)督者下跨工作組劃分時，選擇層級模式。

下面這個參考表格，幫助幫助大家快速選擇合理的的架構(gòu)。

全文完

看到這里，如果覺得不錯，隨手點個贊、在看或者轉(zhuǎn)發(fā)吧，也可以給個星標，你的支出就是我的動力。

王吉偉頻道新書《一本書讀懂AI Agent：技術(shù)、應(yīng)用與商業(yè)》已出版，輕松讀懂系統(tǒng)掌握AI Agent技術(shù)原理、行業(yè)應(yīng)用、商業(yè)價值及創(chuàng)業(yè)機會，歡迎大家關(guān)注。

感謝大家長期關(guān)注與支持，小伙伴們隨意留言，王吉偉頻道會隨機選取留言用戶，《一本書讀懂AI Agent：技術(shù)、應(yīng)用與商業(yè)》包郵到家。

【文末福利1】：后臺發(fā)消息研報2025，獲取十份2025年AI Agent研報。

【文末福利2】： 后臺發(fā)消息Workflow，獲取 Agentic Workflow 相關(guān)25篇論文。

【文末福利3】：后 臺發(fā)消息agentic，獲取Agentic AI相關(guān)資源 。

【文末福利4】：后臺發(fā)消息RPA Agent，獲取 相關(guān)論文和研報。

1、

2、

3、

4、

5、

6、

7、

8、

8、

10、

AIGC研究系列文章

C

• 期待點贊、在看、評論、轉(zhuǎn)發(fā)，您的支持就是我的動力。

• 鼓勵積極評論，您的留言可以成為選題。

• 歡迎閱讀其他文章，或會激發(fā)您的更多思考。

點擊左下角“閱讀原文”查看AIGC研究系列文章，掃碼或者后臺回復(fù)【加群】申請加入AIGC行業(yè)應(yīng)用交流社群。如果你是正在關(guān)注AI Agent的創(chuàng)業(yè)者、投資人及企業(yè)，歡迎帶著產(chǎn)品、項目及需求與王吉偉頻道交流。