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 ReActReasoning 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 AgentStep1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: cityparse_city(output) resultget_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↓Plan1. 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