一、Agent 推理模式是什么？

普通大模型：

用户问题
   ↓
LLM
   ↓
答案

例如：

用户：

北京今天适合旅游吗？

LLM：

根据我的知识，北京春秋适合旅游。

问题：

不会主动查天气

不会调用地图

不会规划路线

没有执行能力

Agent：

用户目标
    ↓
推理
    ↓
规划
    ↓
调用工具
    ↓
观察结果
    ↓
继续推理
    ↓
完成任务

Agent 的核心就是：

LLM + Memory + Planning + Tools + Reasoning Loop

二、常见 Agent 推理模式有哪些？

目前主要有下面几种：

① ReAct（Reasoning + Acting）

核心思想：

让模型交替：

思考
    ↓
行动
    ↓
观察
    ↓
继续思考

实际代码逻辑：

while True:

    response = llm(prompt)

    if response.action:
        result = tool.execute(
            response.action
        )

        prompt += result

    else:
        return response.answer

这就是 ReAct Loop。

三、ReAct 怎么实现？

一个简单 Agent：

Step1：定义 Tool

比如天气工具：

def get_weather(city):

    return {
        "city":city,
        "weather":"sunny",
        "temp":30
    }

Step2：告诉 LLM 有哪些工具

Prompt:

你是一个Agent

你可以使用工具:

weather(city)

如果需要查询天气:
输出:

Action:
weather("北京")

否则回答问题

Step3：解析模型输出

模型：

Thought:
需要查询天气

Action:
weather("北京")

程序解析：

if "weather" in output:

    city=parse_city(output)

    result=get_weather(city)

Step4：把结果重新给模型

输入：

Observation:

北京天气:
晴
30度

继续回答用户

模型：

北京今天晴，温度30度...

完成。

四、Plan-and-Execute（规划执行模式）
 

比 ReAct 更高级。

思想：

先规划：

用户目标

 ↓

Plan

1. 搜索资料
2. 分析资料
3. 生成报告

 ↓

Execute

例如：

用户：

帮我写一个机器人调研报告

Agent：

规划：

Task1:
搜索机器人市场

Task2:
分析竞争产品

Task3:
生成报告

然后执行。

适合：

自动写报告

数据分析

项目管理

五、Reflection（反思模式）

让 Agent 自我检查。

流程：

生成答案

 ↓

Critic模型检查

 ↓

发现问题

 ↓

重新生成

六、Tree of Thoughts（思维树）

不是一条思路，而是多个分支。

例如：

解决方案：

          问题

       /      |        \

方案A 方案B 方案C

       |
     评价

       |
     最优方案

用于：

数学推理

复杂规划

游戏AI

七、Multi-Agent（多Agent）

多个 Agent 分工。

例如机器人公司：

             总Agent

                |
 --------------------------------

规划Agent    视觉Agent   控制Agent

                |

             Robot API

比如：

用户：

让机器人去厨房拿水

Planner Agent:

拆任务:
1. 定位厨房
2. 导航
3. 识别水杯
4. 抓取

Vision Agent:

负责：

摄像头
目标检测

Navigation Agent:

负责：

路径规划