Tiny_React

本章探讨学习与适应在人工智能中的关键作用。智能体通过持续的数据获取与经验积累来提升性能。Self-Improving Coding Agent（SICA，自我改进编码智能体）通过自主进行代码修改以提升

本章深入探讨了智能体系统中至关重要的记忆管理工作，阐明了短期上下文与长期保留知识之间的区别。我们讨论了这些类型记忆的设置方式，以及它们在构建能“记住”信息的更智能智能体时的应用。

本章探讨了多智能体协作模式，展示了在系统中编排多个专业化智能体的益处。我们考察了多种协作模型，强调该模式在应对跨越多种领域的复杂、多层面问题时所扮演的关键角色。

总之，规划模式是一个基础性组件，它将智能体系统从简单的被动响应者提升为具有战略性的、以目标为导向的执行者。现代大型语言模型为此提供了核心能力，能够自主地将高层次目标分解为连贯且可执行的步骤。

工具使用（Tool Use）模式是一个关键的架构原则，用于将大型语言模型的功能范围扩展到其固有的文本生成能力之外。

反思模式为智能体的工作流提供了一种关键的自我纠正机制，使其能够超越单次执行进行迭代改进。其实现方式是创建一个循环：系统生成输出，根据特定标准对其进行评估，然后利用该评估产出更为精炼的结果。

并行化模式是一种通过并发执行相互独立的子任务来优化计算工作流的方法。这种方法可以降低整体延迟，尤其适用于涉及多个模型推理或对外部服务进行调用的复杂操作。

路由模式是在构建真正动态且响应迅速的智能体系统时的关键步骤。通过实现路由，我们超越了简单的线性执行流程，使我们的智能体能够就如何处理信息、响应用户输入以及使用可用工具或子智能体做出智能决策。

前言 欢迎阅读《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》。纵观当代人工智能的全景，我们清晰地