Agent来了0x06：其他高级范式前面学习了 Agent 中的三种常见的设计范式： ReAct Plan and Ex

前言

前面学习了 Agent 中的三种常见的设计范式：

ReAct
Plan and Execute
Self-Ask

今天继续探索几个其他的高级范式。

Thinking and Self-Refection

思考并自我反思(Thinking and Self-Refection) 范式要用于模拟和实现复杂决策过程，通过不断自我评估和调整，使系统能够学习并改进决策过程，从而在面对复杂问题作出更加有效的决策。简单地说，就是在 ReAct 范式上增加了 “批判”和“修正”。

将之前整个“思考-行动-观察”的轨迹（称为轨迹， Trajectory）作为输入，提交给LLM（可以是同一个，也可以是另一个专门调优的模型）。
要求LLM扮演“审查者”，分析轨迹中存在的错误、低效的步骤或逻辑漏洞。
将反思总结出的教训、修正建议或新的计划，注入到新一轮的任务执行循环中，从而指导模型在下一次尝试中避免同样错误。

Tree of Thoughts (ToT)

Tree of Thoughts (ToT) 是一种复杂问题解决与推理能力的结构化搜索框架。

目标：让大模型突破传统“单一路径、一步到位”的生成模式，能够像人类一样进行多步骤的、可回溯的、有策略的深度思考，从而显著提升在需要规划、探索或决策的任务上的表现。
核心流程：
1. 思维分解：将一个大问题分解成多个连贯的思考步骤（Thought），每个步骤都是语言模型生成的一个中间推理或假设。
2. 树形探索：这些思考步骤不是线性的，而是构成一棵树。树的每个节点代表一个中间状态，从每个节点可以扩展出多个可能的后续思考（即子节点），形成多条潜在的解决路径。
3. 启发式搜索与评估：使用搜索算法（如广度优先BFS或深度优先DFS）在树中导航。关键的是，需要一个“评估器”（通常由另一个大模型调用或简单规则担任）对每个节点状态进行评分或排序，以决定优先探索哪条路径，并在发现死胡同时进行回溯。

Graph of Thoughts (GoT)

和 TOT 一样，Graph of Thoughts (GoT) 是一种更复杂进一步的结构化搜索框架。

目标：突破传统“链式思考”的线性限制，让AI的思维过程可以非线性地前进、回溯、合并与优化，从而处理更艰巨的任务。
本质：用“图”来组织和操作“思维”。
基本单元：每一个具体的思考步骤（例如：“分析用户问题的关键词”、“评估方案A的可行性”）被定义为一个“思考”节点。
组织方式：这些节点不再像 Chain-of-Thought (CoT) 那样排成一条直线，也不像 Tree-of-Thought (ToT) 那样只是简单地分叉。它们被组织在一个图结构中，节点之间通过有向边连接，表示思维的流向。
核心流程：
1. 生成：创建新的思考节点。
2. 聚合：将多个节点的信息融合，形成一个更高阶、更综合的思考节点（例如，总结多个方案的优缺点）。
3. 精炼：对一个已有节点进行修改和优化（例如，修正之前推理中的错误）。
4. 回溯：跳回到图中任意一个先前的节点，并开启新的推理分支。
比较：
- CoT（链式） ：模拟的是“按部就班”的逻辑推导，就像一份严谨的说明书。
- ToT（树状） ：模拟的是“探索多种可能”的头脑风暴，就像一棵决策树。
- GoT（图状） ：模拟的是“反复琢磨、整合灵感”的创造性思考过程。

分层任务分解（HITL）

Hierarchical Task Decomposition(HITL) 通常指 Agent 将复杂目标拆解为层级化、可执行子任务的核心规划能力。

本质：“分而治之”
核心流程：“规划-执行-观测”循环
1. 目标接收与顶层规划：Agent 接收到一个抽象指令（如“开发一个网站”），LLM 作为“规划器”，生成一个初步的高层任务树。
2. 递归分解：对于每个非叶子节点任务（如“设计前端页面”），LLM 会再次被调用，将其进一步分解为更具体、可操作的子任务（如“编写HTML骨架”、“添加CSS样式”、“集成交互逻辑”），形成一棵不断生长的任务树。
3. 叶子节点执行与状态跟踪：分解直到产生可直接调用工具（如代码解释器、浏览器、API）执行的“叶子任务”。Agent 执行后，将结果（成功、失败、返回数据）反馈给系统，并更新整个任务树的状态。
4 动态调整与回溯：当某个子任务执行失败或环境变化时，Agent 能回溯到上层节点，重新规划替代路径，体现了应对不确定性的能力。

总结

正是这些范式让 Agent 能更高效更准确地处理问题。当然也有其他范式，一一列举就很难穷尽。日后在实际开发中遇到具体问题再具体分析。

范式	核心	典型应用场景
ReAct	思考与行动循环交替，实时根据环境反馈调整推理路径。	需要与环境动态交互的任务，如问答系统（需调用搜索或计算工具）、机器人控制、交互式调试。
Plan and Execute	严格的“规划-执行”两阶段分离，先制定完整计划再逐步执行。	结构清晰、可预定义的复杂工作流，如数据ETL管道、多步骤内容生成、自动化运维脚本。
Self-Ask	通过自问自答的方式，将复杂问题分解为可调用工具解决的子问题。	知识密集型问答，特别是需要混合内部知识和外部工具（如搜索、API、计算器）的场景；以及需要深入分析或提供创意性解决方案的case
Thinking and Self-Reflection	在ReAct基础上，增加了对自身输出质量的“反思”步骤，以检查和修正错误。	对输出准确性、逻辑性或安全性要求极高的任务，如代码审查、数学证明、安全关键报告生成。
TOT (Tree of Thoughts)	将推理过程构建为树状结构进行搜索，在每个节点评估并选择最有希望的路径。	需要系统性地探索多种可能性的开放式问题，如策略游戏、复杂规划、创意写作（探索不同情节分支）。
GOT (Graph of Thoughts)	将推理过程构建为有向图，允许更灵活、非线性的思维连接与信息融合。	解决具有复杂依赖、交叉关联或需信息融合的问题，如复杂系统设计、多源信息整合分析、高级研究规划。
分层任务分解 (HITL)	核心在于 “人在回路” ，将复杂任务分层，关键决策点引入人工判断或干预。	高风险、高价值或高度不确定的任务，如金融风控决策、临床辅助诊断、内容安全审核、复杂业务流程审批。

那么，你还知道 Agent 中的哪些高级范式？我们评论区见。