AI Agent工作流设计：从ReAct到Multi-Agent协作

AI Agent（智能体）正从概念验证走向生产部署。如何设计可靠的Agent工作流，确保大语言模型在复杂任务中稳定输出，是当前工程实践的核心挑战。本文将从单Agent的ReAct模式出发，逐步深入到Multi-Agent协作架构，结合代码示例展示完整的设计方法论。

一、单Agent基础：ReAct推理框架

ReAct（Reasoning + Acting）是构建AI Agent最经典的框架，它通过"思考→行动→观察"的循环，让LLM具备工具使用和环境交互能力。

1.1 ReAct核心循环

from typing import List, Dict, Any

class ReActAgent:
    def __init__(self, llm, tools: List[Dict]):
        self.llm = llm
        self.tools = {t['name']: t['function'] for t in tools}
        self.tool_descriptions = self._format_tool_descriptions(tools)
    
    def run(self, query: str, max_steps: int = 10) -> str:
        thought_history = []
        action_history = []
        
        for step in range(max_steps):
            # 构建Prompt：包含任务、工具说明、历史轨迹
            prompt = self._build_prompt(query, thought_history, action_history)
            
            # LLM输出推理与行动决策
            response = self.llm.generate(prompt)
            
            # 解析Thought和Action
            thought = self._extract_thought(response)
            action = self._extract_action(response)
            
            if action['name'] == 'finish':
                return action['arguments']['answer']
            
            # 执行工具调用
            observation = self.tools[action['name']](**action['arguments'])
            
            thought_history.append(thought)
            action_history.append({
                'action': action,
                'observation': str(observation)[:500]  # 截断避免上下文过长
            })
        
        return "达到最大步数限制，任务未完成"
    
    def _build_prompt(self, query, thoughts, actions):
        template = f"""你是一个智能助手，可以使用以下工具：
{self.tool_descriptions}

请按照以下格式思考并行动：
Thought: [你的推理过程]
Action: [工具名称] [参数JSON]
Observation: [工具返回结果]

任务：{query}

历史轨迹：
"""
        for t, a in zip(thoughts, actions):
            template += f"Thought: {t}\nAction: {a['action']}\nObservation: {a['observation']}\n"
        return template

1.2 ReAct的局限性

ReAct虽然优雅，但在生产环境面临挑战：

| 问题 | 表现 | 影响 | |------|------|------| | 推理漂移 | 多步后偏离原始目标 | 最终答案错误 | | 工具选择错误 | 选错工具或参数格式错误 | 调用失败 | | 循环陷阱 | 重复相同行动 | 无法收敛 | | 上下文膨胀 | 历史轨迹过长 | 成本增加、质量下降 |

二、增强单Agent：规划与记忆

2.1 结构化规划

为缓解推理漂移，引入显式规划模块：

class PlanAndExecuteAgent:
    def __init__(self, llm, tools):
        self.llm = llm
        self.tools = tools
    
    def _create_plan(self, query: str) -> List[str]:
        """先制定执行计划，再按步执行"""
        prompt = f"""请为以下任务制定详细的执行计划，每步只使用一个工具。
可用工具：搜索、计算器、代码执行器

任务：{query}

请以JSON数组格式输出步骤："""
        
        response = self.llm.generate(prompt)
        return json.loads(response)
    
    def run(self, query: str) -> str:
        plan = self._create_plan(query)
        execution_memory = []
        
        for step in