Table of Contents
一、AI Agent 开发模式
总结来说，AI Agent分位简单LLM应用、Single Agent、WorkFlow、Multi Agent四种模式。
1.1 简单LLM应用
通过提示词直接调用大模型api的方式，获取输出，常用于模型聊天等场景，这也是最简单的一种模式。
1.2 Single Agent （智能体）
单智能体具备检索、工具和记忆等增强功能。 模型可以主动使用这些功能，例如搜索查询、选择适当的工具、保存必要的信息到记忆模块中等。
受限于当前的模型能力，在复杂业务场景下单Agent无法很好完成任务，主要会有以下问题：
- 如果一个agent包含太多的tools，模型在决策时会无所适从，效果变差
- 多轮执行下来，消息上下文会变得很大，会影响模型的专注度（TODO：补一篇注意力转移机制，解释原因）
- 模型上下文窗口受限
- 复杂任务还需要专业领域的支持
- 稳定性&可维护性变弱
为了改善上述问题，由此引出WorkFlow和Multi Agent两种模式。
1.3 WorkFlow（工作流）
工作流将任务拆解为多个节点，将整体任务流程固化下来，几个常见范式：
1.3.1 Chain
1.3.2 Routing
1.3.3 parallelization
1.3.4 Orchestrator-workers (编排者-工作者)
在这种 Workflow 中，一个中心式 LLM 动态地分解任务，将其委托给 worker LLM，并汇总它们的结果。
适用于无法预测所需子任务的复杂任务。例如Code Review、智能搜索。
虽然在拓扑上与 Parallelization Workflow 相似，但关键区别在于其灵活性 —— 子任务不是预先定义的，而是由协调者/编排者根据特定输入确定的。
1.3.5 Evaluator-optimizer (评估者-优化者)
在这种 Workflow 中，一个 LLM call 生成响应，而另一个提供评估和反馈，形成一个闭环。适用于有明确的评估标准，并且迭代式改进确实有效，例如文档润色、测试用例评审。
1.4 Multi-Agent架构
参考：