Agent设计模式 图解可复用智能体架构

在大模型和Agent快速演进的时代，我们该如何理解和构建复杂系统？ 这本书的核心，不在于“某个模型怎么用”，而在于如何用工程化的方式，去驾驭不确定性。真正有价值的，不是某一时刻的答案，而是可以反复使用的思考方式。 在微信读书上，也看到一些朋友提到本书的“AI味道”。 这个问题，作为作者，我也想坦诚地说一说。 在这本书的创作过程中，AI确实参与得很深—— 从资料的整理、语言的打磨，到一些观点的反复推敲，它都在其中发挥了作用。 对我来说，AI更像是一种“放大器”，它可以加速表达、提供视角，但无法替代结构的设计，也无法替代最终的判断。 这本书创作于2025年下半年。那时的AI，无论在思考深度还是任务能力上，都无法与今天相比。 即使是现在（2026年），AI依然很难独立构建系统性的框架，更无法完成真正意义上的原创思想表达。 所以，如果这本书中有一些让你觉得“有用”“有结构”的地方，那更多来自于作者本身的积累，而AI只是参与了表达和推演的过程。 同时，我也在基于最新的技术进展，对这本书进行持续重构——将“Agent设计模式”进一步工程化，让它不仅能被理解，也能真正落地到实际系统中。 这本书不会是一个静态的结果，它会随着技术的发展不断演进。 感谢你的阅读与思考。

人在AI世界里的位置 4月19日下午，我在成寿寺路11号，外面是四月北京的沙尘。百十来人把二层多功能厅挤得满满当当。 三场主题演讲加一场圆桌的讨论，像是把我引向另一个未曾留意的世界，一个完全不同于媒体所渲染的世界。 当我坐在台上一侧，面对身边排开的几位嘉宾，我不禁想：是什么契机让我们在场的所有人，愿意在这里花费一整个下午，听如今关于AI世界的一切呢？ 是关于人在AI世界里的位置。 黄佳老师分享个人作为技术作者的持续热情，在AI和智能体的虚拟世界，他以肉身投入，撰写、思考、反刍，以长期积累的个体经验来观察智能世界的设计，在其中发现模式之美。印象深刻的是他提及中国传统智慧对于个人品味底层的塑造。「从道不从技」，在不变中看变，人可以游刃有余。 焕勇作为93年人，后生可畏。一线AI技术研发的从业者，对于RAG、Agent、LLM的落地观察，已经可以从周期角度看待此伏彼起。「Agent经过两年发展，已经进入膨胀期，预计半年到一年内进入降温调整期」。这是作为从业者甚至现代人应该具备的的平稳心态：不过度追求技术热点，甚至只是概念名词。 万青关心工程师的发展。即便「一个人独立完成前端、后端、产品、测试等全流程工作，个人完成项目闭环的可能性越来越大，开发工作整体退化为工程问题」，AI仍然无法替代的是工程师的思维能力、对业务愿景的理解能力、团队协同能力和产品架构能力。去识别智能体的伪需求和真需求，是简单逻辑还是需要动态调整的场景。 在无序中梳理出结构，在约束条件下做推导乃至取舍。 这里都是人的位置。 在主持圆桌时，我想不如索性放弃预设「看起来都正确」的提纲。 比起行业的动态和技术发展，台下每张面孔投注过来的，是期待某种答案的目光，关心的是自己作为个体的问题。我于是问出不仅是我，恐怕也是更多人关心的问题：个人保持核心竞争力和Agent赚钱。 收到的答案很多，下面捡有趣的。 焕勇每日的三省吾身： 你是谁？ 你要什么？ 你适合做什么？ 以及，万青给的让人有不可替代性的BVR系统： Belief，信什么是你的信念 Value，如何取舍是你的价值观 Rule，知道什么能做什么不能做是你的行为规则 以及，未来可能实现价值的三个机会： to B企业服务，解决企业的真实问题 实体商品交易，满足用户的实用需求 情绪价值，满足用户的精神和情绪需求

看到4.3章了，感觉内容稍微好一些了 前面的章节真的很让人失望，大篇幅讲LLM的能力，并且很多地方表述把LLM和Agent混淆了，基本上和主题无关，很多正确的废话

现在正经期刊开始拒综述文章了，但微信读书里AI总结的所谓的书越来越多。 不建议读此书，如果你真的有大把时间想浪费，建议直接在AI帮助下自己开发至少一个Agent，各种所谓的策略算法，都是因为你被LLM这个概率机器的小Context限制搞疼了，一步步引入的。

从确定性工程到概率智能——《Agent 设计模式》读书笔记【这是 AI 做的总结】 书籍信息：《Agent 设计模式：图解可复用智能体架构》 作者：黄佳 核心定位：衔接传统软件工程与大模型智能应用的AI Agent工程架构指南，跳出单纯代码实战，以设计模式为核心，系统化解决大模型智能体落地的架构混乱、复用性差、工程化不足等核心问题，构建可落地、可复用、可迭代的Agent设计体系。 一、全书整体结构总览本书采用理论演进+模式拆解+工程落地的双层逻辑架构，分为上下两篇，共九大章节。上篇为智能设计哲学，梳理软件范式迭代逻辑，奠定Agent的理论根基；下篇为核心实战体系，拆解六大核心能力、21个可复用Agent设计模式，形成从认知、架构到落地的完整闭环，是业界首个系统化定义AI Agent工程设计模式的专著。 二、逐章节核心内容详细解析上篇 智能设计的哲学（第1-3章）：重塑软件工程认知 上篇核心价值：打破传统确定性软件思维，阐明AI Agent是软件范式的终极迭代，厘清传统程序、大模型裸调用、智能Agent的本质区别，搭建Agent开发的底层认知框架。 第1章 从结构到智能：设计模式的世纪旅程 本章为全书奠基章节，以软件工程发展史为线索，对比经典GoF设计模式与新时代Agent设计模式的迭代关系，解答“为什么需要Agent设计模式”的核心问题。 1. 传统软件模式的局限：GoF的23种设计模式针对确定性、结构化、可预测的程序设计，核心是规范代码结构、提升复用效率，适配传统软件工程的静态逻辑。但大模型诞生后，AI应用具备概率性、动态性、不确定性，传统模式完全无法适配智能场景。 2. 范式迭代的核心逻辑：软件发展历经“机器指令→结构化编程→面向对象→框架工程→智能Agent”五个阶段，核心变革是从“人工定义所有规则”到“模型自主感知、推理、决策、迭代”。 3. Agent模式的核心定位：并非替换传统设计模式，而是上层智能架构范式。传统模式解决“代码怎么写”，Agent模式解决“智能系统怎么架构”，适配大模型的概率性输出、动态交互、自主迭代特性。 4. 秩序的代价与突破：传统软件工程追求绝对秩序与可控性，但牺牲了智能性；Agent设计模式在可控工程体系内，兼容AI的不确定性，实现秩序与智能的平衡。 第2章 何谓Agent：智能体的本质与架构 本章明确AI Agent的标准化定义、核心要素与基础运行架构，彻底区分普通大模型对话应用与真正的智能Agent，是入门核心章节。 1. Agent的本质定义：并非简单的大模型调用工具，而是具备感知、记忆、推理、行动、反思、自主迭代能力的闭环智能系统，核心特征是自主性、持续性、交互性、进化性。 2. 三代Agent迭代对比：大模型前时代Agent依赖人工规则，无泛化能力；初代大模型Agent仅单次问答，无记忆无规划；现代智能Agent拥有完整认知闭环，可自主完成复杂任务。 3. Agent六大核心能力底座：感知（接收信息）、记忆（存储迭代）、推理（逻辑决策）、行动（工具执行）、反思（自我纠错）、协作（多智能体联动），贯穿全书所有设计模式。 4. 基础运行闭环（PRA循环）：感知输入（Perception）→推理决策（Reasoning）→行动输出（Action），所有Agent的复杂架构均基于此基础循环迭代升级。 第3章 Agent工程基石：开发体系与范式革新 本章聚焦工程落地，搭建企业级Agent开发的工具链、底层规范与设计原则，解决“Agent开发无标准、落地杂乱”的行业痛点。 1.Agent工程与传统工程的核心差异：传统工程追求结果确定性、逻辑闭环；Agent工程容忍输出概率性，重点优化上下文利用率、推理稳定性、迭代成长性。 2. 核心工程原则：轻量化上下文、分层记忆、复杂度路由、可复盘反思、模块化协作，是后续所有设计模式的设计准则。 3. 开发工具链搭建：整合主流大模型API、框架依赖、调试工具，提供标准化的Agent开发环境，强调可复用架构优先于单次代码实现的开发思维。 4. 核心痛点解决方案：针对Token冗余、上下文失效、推理混乱、无法纠错、任务断裂等行业常见问题，给出底层架构优化思路。 下篇 智能设计模式（第4-9章）：六大维度、21个核心可复用模式 下篇是全书实操核心，按照Agent能力闭环拆解六大模块，每个模块包含多个成熟设计模式，每个模式均从架构原理、核心机制、工程实现、适用场景、优缺点五个维度讲解，可直接落地复用。 第4章 感知模式：智能认知的信息入口 感知是Agent的“五官”，核心目标是低成本、高质量筛选有效信息，过滤噪声，优化上下文输入，解决大模型输入冗余、信息杂乱、多模态适配差的问题。 1. 注意力聚焦模式：核心是构建认知漏斗，通过优先级筛选、信息裁剪，以最低Token成本保留核心上下文，避免无效信息占用资源，提升模型推理效率。 2. 多模态融合模式：统一文本、图像、语音、视频等多维度输入的解析逻辑，实现跨模态信息互补，打破单一文本输入的认知局限，适配复杂真实场景。 3. 动态采样与分诊模式：针对海量流式输入，动态调整信息采样密度，对关键信息精细化解析，对冗余信息快速过滤，适配实时交互、海量数据处理场景。 第5章 记忆模式：智能持续迭代的核心底座 记忆是Agent的“大脑存储”，区别于普通模型的单次上下文记忆，实现跨会话、可分层、可迭代、可遗忘的长效记忆能力，解决Agent“用完即忘、无法积累经验”的痛点。 1. 分层记忆模式：将记忆分为瞬时上下文记忆、短期会话记忆、长期知识库记忆，分层存储、按需调用，平衡响应速度与记忆完整性。 2. RAG融合记忆模式：将检索增强生成技术与Agent记忆体系结合，对接外部知识库，弥补大模型静态知识滞后问题，实现实时知识更新。 3. 记忆迭代与遗忘模式：模拟人类记忆规律，对高频有效记忆强化留存，对过期、无效记忆自动遗忘，避免记忆冗余导致的推理偏差。 4. 跨会话记忆联动模式：打通不同会话、不同场景的记忆数据，让Agent具备持续学习能力，实现多轮任务的连贯性。 第6章 推理模式：智能决策的核心引擎 推理是Agent的“思维逻辑”，核心是让大模型摆脱简单问答，具备复杂问题拆解、逻辑推导、动态规划的能力，解决大模型推理碎片化、逻辑混乱、复杂任务失效的问题。 1. 复杂度路由推理模式：根据任务难度自动匹配推理策略，简单任务直接单次推理，中等任务分步推理，复杂任务启动链式推理，兼顾效率与准确性。 2. 思维链（CoT）进阶模式：优化原生思维链，增加逻辑校验、步骤拆解、因果推导机制，提升复杂数学、逻辑、规划类任务的准确率。 3. 多路径对比推理模式：针对开放性问题，生成多条推理路径，交叉验证、择优输出，避免单一推理的片面性与错误偏差。 4. 任务分层规划模式：将复杂目标拆解为多级子任务，明确执行顺序、依赖关系、终止条件，实现复杂长周期任务的自主推进。 第7章 行动模式：智能落地的执行终端 行动是Agent的“手脚”，实现推理决策到真实落地的转化，核心解决大模型“只会思考、不会落地”的空谈问题，打通认知与实操的闭环。 1. 工具调用标准化模式：统一工具注册、参数解析、调用执行、结果回传的全流程规范，支持多工具自由组合、动态调用，适配各类业务场景。 2. 自主任务执行模式：Agent自主判断是否需要调用工具、选择适配工具、调整调用参数，无需人工干预，实现端到端自主执行。 3. 行动容错重试模式：针对工具调用失败、参数错误、环境异常等问题，设计自动检测、纠错、重试机制，提升任务执行稳定性。 4. 结果格式化输出模式：统一不同场景的输出规范，结构化整理执行结果，适配前端展示、数据存储、二次调用等后续需求。 第8章 反思模式：智能自我进化的关键 反思是Agent区别于普通程序、普通大模型应用的核心特质，是智能迭代的核心动力，实现“执行-复盘-纠错-优化”的自我成长闭环。 1. 单次任务反思模式：单任务执行完成后，自主复盘执行过程、推理逻辑、错误节点，记录问题与优化方案，即时修正输出偏差。 2. 多轮迭代反思模式：累计多轮任务数据，总结高频错误、场景规律、优化经验，迭代更新提示词、推理策略、工具调用逻辑。 3. 自我评估校准模式：建立自主评估体系，对输出结果的准确性、合理性、完整性打分，动态校准模型输出偏好，减少幻觉问题。 4. 经验沉淀模式：将反思后的有效经验转化为固定架构规则、提示词模板、记忆条目，实现能力固化与持续升级。 第9章 协作模式：多智能体的集群智能 本章聚焦复杂场景下的多Agent协同，突破单Agent能力上限，构建分工、协同、调度、博弈、联动的集群智能体系，适配企业级复杂业务。 1. 角色分工模式：根据业务需求拆分不同职能Agent（规划Agent、执行Agent、复盘Agent、检索Agent），各司其职、专业化作业。 2. 主从调度模式：设置核心调度Agent统筹全局任务，子Agent负责专项执行，实现全局最优的任务分配与资源调度。 3. 多Agent交互协商模式：解决多智能体沟通冲突、信息不对称、任务重叠等问题，建立标准化交互协议。 4. 集群容错与协同进化模式：多Agent相互校验、互补纠错，共享迭代经验，实现整体集群能力的同步升级。 三、全书核心思想汇总与深度总结1. 核心底层认知：重新定义AI Agent工程 本书最核心的突破是将AI Agent开发从“零散的Prompt调试、代码堆砌”升级为标准化、体系化的架构工程。传统大模型应用开发是“结果导向”，只关注单次输出效果；而Agent设计模式是“架构导向”，关注系统的自主性、稳定性、复用性、成长性，真正实现智能体的工程化落地。 同时，书籍明确了范式迭代的核心趋势：软件工程的未来是确定性架构+概率性智能的融合，传统代码负责规则兜底、稳定可控，Agent智能层负责动态推理、自主迭代，二者互补而非对立。 2. 核心架构体系：六大能力构建完整智能闭环 全书21个设计模式并非孤立存在，而是围绕感知-记忆-推理-行动-反思-协作的完整链路形成闭环体系：感知负责输入提纯，记忆负责经验沉淀，推理负责思维决策，行动负责落地执行，反思负责自我优化，协作负责能力扩容。六大能力层层递进、相互支撑，构成所有复杂AI Agent的通用底层架构，可适配从简单对话机器人到企业级复杂智能系统的全场景开发。 3. 核心工程价值：解决行业三大核心痛点 一是解决智能体架构混乱问题：为无标准的Agent开发提供统一设计范式，告别凭经验开发的乱象；二是解决复用性差问题：标准化设计模式可跨场景、跨项目复用，大幅降低开发成本；三是解决智能体无成长问题：通过记忆、反思、协作模式，让Agent具备持续学习、自我迭代的能力，突破大模型静态能力的局限。 4. 核心思维革新：从“人工定义智能”到“系统生成智能” 传统软件是开发者定义所有逻辑与规则，模型仅执行指令；而Agent设计模式的核心思维是搭建智能运行的系统框架，让模型自主完成感知、思考、行动、纠错、成长。开发者的核心工作不再是写死业务逻辑，而是设计合理的智能架构、约束规则与迭代机制，最大化释放大模型的通用智能能力。 5. 书籍核心定位与行业意义 本书填补了AI Agent领域架构设计方法论的空白。市面上多数AI Agent书籍聚焦代码实操与工具使用，而本书站在软件工程演进的高度，提炼通用、可迁移、可迭代的设计模式，打通理论、架构、工程、实战的全链路，既是初学者建立系统认知的入门指南，也是资深开发者、架构师搭建企业级智能系统的权威参考。 四、个人感悟与学习启发在大模型快速普及的当下，多数开发者陷入“重调用、轻架构，重效果、轻迭代”的误区，导致大量AI应用只是单次对话工具，无法形成真正的智能体能力。《Agent 设计模式》的核心价值，是让我们跳出表层的代码开发，回归智能系统的本质——真正的AI Agent，不是会说话的程序，而是具备自主生命周期的智能系统。 书中的六大能力、二十一种模式，不仅是技术架构的总结，更是智能开发的思维方法论。感知教会我们轻量化输入、高效认知；记忆教会我们沉淀经验、持续进化；推理教会我们理性思考、分层决策；行动教会我们落地闭环、务实执行；反思教会我们自我纠错、迭代升级；协作教会我们集群赋能、突破上限。 未来的AI应用开发，必将从“Prompt工程时代”迈入“Agent架构工程时代”。掌握这套设计模式体系，能够摆脱碎片化开发思维，建立标准化、体系化、工程化的智能体设计思维，真正实现从“调用大模型”到“搭建智能系统”的能力升级，适配AI工业化落地的行业趋势。

ai味儿有点重，文字应该都是ai重度参与创作的。各种莫名其妙、用力过猛的比喻句，把本来很简单的话，都给说复杂了。

非常棒的阅读体验！几点体悟 1. 类比生命体，可以从蛋白质，维生素，遗传物质，到细胞，组织，器官和个体，再到家庭，社群，国家，地球和宇宙。 那么，软件的组成层级则为产量，语法，数据结构，数据库，函数，类库，智能体，以及正在出现的智能体，智能体社区，智能体… 2. 正如一个个体的发育史可以反应该个体所代表物种的演化史，智能体涌现的机制和演化史让我们得以从另一个角度来观察非生物体的演化也同样遵循着像类似的底层逻辑。这是何等奇妙。我们在学习智能体，也同样在了解和理解我们自己，人类如何进步，社会如何保持稳定。我们作为努力的个体，应该给自己一个拥抱 3. 对智能体的学习，正好解构了对中国传统文化的学习。读这本书，不亚于连着读三字经，千字文，四书五经。从启蒙教育，到经学入世。智能体正沿着这个道路一步步的走向中国传统的圣人。对智能体的学习也很有助于理解中国的传统文化 4. 最后一段，夸一夸作者。整本书没有数学公式，主要在介绍概念，做了类比，很容易理解。把智能体世界最核心的规则和概念解释的明明白白。作为智能时代的生物体公民，都应该读一读这本介绍未来智能公民的书，未来我们要学会如何和他们共处和协作。

写得真棒，非常全面的介绍了agent的各种设计模式，也不拘泥于代码和术语的讲解，作者思维非常发散在理性与感性间跳转。 唯一的不足是，不知道为什么没有就解决代码中乱码的问题，虽然通过函数名可以看出大致逻辑，但是乱码的部分还是有点遗憾

■ 经典作品：用户兴趣通常持久，衰减应该很慢，甚至可以忽略。 ■ 时事相关书籍：热度随时间快速下降，应采用较快的衰减函数。 ■ 季节性书籍（如节日主题）：更适合使用周期性权重，而非单调衰减。

这书倾向于智能体的设计哲学 作者剖析了从prompt,context,harness,loop,graph 工程的原理和具体实现，每次迭代都是形成新的超集。但问题是，个人开发者怎么运用和构建智能体生态？学习了哲学和思想之后，了解了原理，就委托给 Coding agent 去做开发吗？ 作者大哥，你的很多我都刷了。有没有书友群。可以近距离交流😉