2 ReAct

thought->action->observation

	步骤1 - Thought（推理）[需要大模型: 推理决策，LLM 核心能力]
	  分析当前状态，决定下一步该做什么
	  输入：用户问题 + 之前的所有 Observation
	  输出：一段推理文字（"我需要先查..."）
	步骤2 - Action（行动）[不需要大模型: 执行工具调用，纯代码逻辑]
	  根据 Thought 执行具体操作
	  输入：Thought 的结论
	  输出：调用某个工具/API（如 search("天气")）
	步骤3 - Observation（观察）[不需要大模型: 接收工具返回值，纯数据，原样存入上下文，供下一步thought使用]
	  获取 Action 的返回结果
	  输入：工具返回值
	  输出：一段事实信息（如 "北京今天25°C"）

3 Plan-and-Execute

4 Reflection

generate->critique->reflect->improve

步骤1 - Generate（生成）[需要大模型: 生成初始输]
 根据任务要求产生初始输出
 输入：任务描述
 输出：第一版结果（代码/文章/方案）
步骤2 - Critique（自我批评）[需要大模型: 自我评判，需要理解力]
 以"审查者"视角审视自己的输出
 输入：步骤1的输出 + 任务要求
 输出：问题清单（如"边界没处理、变量命名差、复杂度高"）
步骤3 - Reflect（反思归因）[需要大模型: 归因分析，需要推理力]
 分析问题产生的根因
 输入：问题清单
 输出：改进策略（如"应该用快排替代冒泡，加空数组检查"）
步 骤4 - Improve（改进）[需要大模型: 改进重写，需要生成力]
 根据反思结果生成改进版本
 输入：原始输出 + 改进策略
 输出：改进后的新版本

8 Multi-Agent