LLM Agent 常用范式详解

本文整理了 LLM Agent 中常用的几种范式，从简单到复杂，详细介绍每种范式的概念、工作原理、特点、适用场景、流程示意以及优势与局限。

单步回答型（Single-step / Direct Response） ​

单步回答型是最基础的 LLM Agent 范式，特点是收到问题或任务后直接生成答案，不保留历史状态，也不调用外部工具。
简单理解：“你问我答，不做额外思考”。

工作原理 ​

• 接收输入：用户发送问题或任务描述给模型。
• 生成输出：模型根据训练中学到的语言模式和知识生成答案。
• 返回结果：输出文本返回给用户。

注意：整个过程没有循环、计划或外部验证，完全依赖模型自身知识。

特点 ​

• 快速：无需多轮推理或外部查询。
• 实现简单：只需调用生成接口即可。
• 依赖训练数据：输出结果依赖模型已有知识。

适用场景 ​

• 事实类问答：如“世界上最高的山是哪座？”
• 知识查询：如“谁写了《哈利·波特》？”
• 简单计算或翻译：如“把‘Hello’翻译成中文”。

流程示意 ​

优势与局限 ​

• 优势：快速、易实现，对简单任务足够使用。
• 局限：无法处理多步骤问题或实时信息，缺乏可解释性。

链式思维型（Chain-of-Thought, CoT） ​

链式思维型让 LLM 在生成答案之前先写出思考步骤，增加可解释性。
简单理解：“先写下我的思路，再给你答案”。

工作原理 ​

1. 接收输入：用户提供问题或任务。
2. 生成思考步骤：模型拆解问题、分析子问题或列出公式。
3. 生成答案：结合思考步骤输出最终结果。
4. 返回结果：输出既包含思考步骤，也包含答案。

注意：链式思维型通常一次生成，不会根据结果再循环修正，除非与 ReAct 或反思型结合。

特点 ​

• 显式推理，增强可解释性。
• 支持多步骤问题处理。
• 依赖模型内部知识，无外部工具调用能力。

适用场景 ​

• 数学题、逻辑题
• 多步骤推理问题
• 需要分析过程的问答

流程示意 ​

优势与局限 ​

• 优势：提高复杂问题正确率，增强信任度。
• 局限：无法调用外部数据，输出长度较长，处理速度略慢。

ReAct（Reasoning + Acting） ​

ReAct 结合 推理和行动，让模型在思考的同时可以执行操作，并根据结果不断调整策略。
简单理解：“先想，再做，边做边想”。

工作原理 ​

1. 接收输入：用户提供任务。
2. 推理（Reasoning）：分析问题，生成解决思路。
3. 行动（Acting）：执行操作，如调用工具、查询数据、计算等。
4. 反馈：行动结果返回模型，供下一轮推理。
5. 循环迭代：模型根据反馈不断调整，直到完成任务。
6. 输出答案：最终返回结果。

特点 ​

• 动态交互，可根据环境或工具结果调整策略。
• 支持多步骤任务处理。
• 可以调用外部工具或 API。
• 推理链条透明，便于理解。

适用场景 ​

• 查询实时数据（天气、股市、新闻）
• 多步骤问答或推理任务
• 自动化办公任务（数据处理、报告生成）

流程示意 ​

优势与局限 ​

• 优势：适合复杂任务，支持工具调用，循环迭代可提高准确性。
• 局限：实现复杂，循环可能增加响应时间。

反思型（Reflexive Agent） ​

反思型让 LLM 在输出前自我检查和修正，类似人类写完作业后回头自查。
简单理解：“先写，再检查，再修正”。

工作原理 ​

1. 接收输入
2. 初步生成答案
3. 自我反思：检查语法、逻辑或数据合理性
4. 修正输出
5. 最终输出

特点 ​

• 内部自查循环，提升输出质量。
• 无需外部工具。
• 适合长文本或多轮任务。

适用场景 ​

• 自动写作（文章、报告、邮件）
• 长对话系统保持逻辑一致
• 编程辅助：生成代码并检查逻辑/语法

流程示意 ​

任务规划型（Planner + Executor） ​

任务规划型将复杂任务拆分为子任务并逐步执行，核心是“规划 + 执行”。
简单理解：“先规划，再执行，每步有条理”。

工作原理 ​

1. 接收输入
2. 规划阶段：拆解任务、排列子任务顺序
3. 执行阶段：逐步完成子任务，可调用工具
4. 整合结果：汇总各子任务输出
5. 最终输出

特点 ​

• 适合多步骤任务
• 结构清晰
• 可结合工具
• 支持长任务处理

流程示意 ​

记忆增强型（Memory-Augmented Agent） ​

记忆增强型具有长期记忆能力，在多轮对话或长期任务中持续利用历史信息。
简单理解：“记住过去，做出更智能的决策”。

工作原理 ​

1. 接收输入
2. 访问记忆：检索历史信息或上下文
3. 生成答案：结合当前输入和记忆
4. 更新记忆：保存新信息
5. 返回输出

特点 ​

• 长期记忆与个性化
• 上下文连续，多轮任务一致性
• 可动态更新

流程示意 ​

多 Agent 协作型（Multi-Agent / Team Agents） ​

多 Agent 协作型由多个 Agent 分工协作完成任务。
简单理解：“分工合作，每个成员做擅长的事”。

工作原理 ​

1. 接收输入
2. 任务拆分与分配：将任务分配给不同 Agent
3. 各 Agent 执行任务
4. 信息汇总：整合输出
5. 最终输出

特点 ​

• 分工明确
• 可扩展性强
• 协作与信息整合
• 每个 Agent 可调用工具

流程示意 ​

总结 ​

从简单到复杂的 LLM Agent 范式：

单步回答 → 链式思维 → ReAct → 反思型 → 任务规划 → 记忆增强 → 多 Agent 协作

• 越往右，模型能力越强，处理复杂任务能力越高。
• 越往右，实现成本越高，但灵活性和适用性也越强。
• 在实际应用中，常会混合使用多种范式，发挥各自优势，提升准确性和任务处理能力。