Agent 设计模式之美 · 起点

Agent 设计模式之美

一份面向工程师的 Agent 架构概念深读：把上千个真实工程问题，压缩成同一个原子循环在两根坐标轴上的取值。基于公开论文与一手工程博客，截至 2026-06；以概念与机制为主、辅以关键伪码，不含可运行项目。通读约半天。

·适合谁

三条前置能力，缺一条会读得吃力：

前置知识

写过至少一个带工具调用的 LLM 应用：知道一次 LLM 调用怎么发 tools、怎么解析 tool_call、结果怎么回填下一轮。
撞过 agent 的真实失败：context window 被填满、模型忘了前面说什么、多步任务跑着跑着跑偏、token 账单失控。
懂一点分布式系统的常识：知道重试、超时、幂等各自在解决什么问题（本教程会反复拿它们当 agent 设计的基础词汇）。

·不适合谁

以下读者建议先去别处：

还没调用过大模型 API —— 先读各类大模型 API 与 Prompt Engineering，把"一次调用"跑通再回来。
只想要一段"接入某框架的可运行代码" —— 直接看 LangGraph 官方文档的 quickstart 更快；本教程讲的是这些框架背后的设计取舍，不是 API 调用。
想要 28 个模式逐一抄作业的速查卡 —— 本教程教的是"用两根轴自己推出模式"，不是模式清单的背诵版；要清单可去 Anthropic Building Effective Agents。

·读完之后你能做到什么

这套课最值钱的一句话，文档不会替你讲：所有 agent 设计模式都是同一个原子循环（gather context → 动作 → observation 回填）的约束方式；面对任意 agent 工程问题，你能把它投影到「认知功能 × 执行拓扑」这个坐标系，读出该用哪类模式、以及为什么——因为这个循环的 actor 是概率性的分布式节点，不是确定的 GoF 对象。具体能做到：

用两个诊断问题（步数能否预先列举？是否需要反思/跨任务记忆？）把一个业务需求定位到模式族，并说出对应的延迟、token、失败模式。
解释为什么 GoF 那 23 个模式搬到 agent 上会失效，以及该用分布式系统的哪些机制（幂等键、Saga 补偿、重试 vs 采样、持久化重放）补位。
把任意已知模式（ReAct / Plan-Execute / Reflexion / Orchestrator-Workers）放进双轴坐标系，并预测它换一个场景会怎样失效。
对一个成熟 Agent 产品（如 Claude Code 类）做架构逆向：从行为反推工具集、系统提示、控制流，再拼出整体架构。
判断一个需求该用 workflow（写死控制流）还是 agent（模型自主），避免"简单任务上多 agent"这类最贵的过度设计。

一句话本质

28 个 Agent 设计模式不是要背的清单，而是同一个原子循环（context → token → 动作 → observation）在两根正交轴上的取值：认知功能（这一步在做什么）× 执行拓扑（循环之间如何组合）。

而这个循环的 actor 是概率性的——它更像分布式系统里一个不可靠的节点，不是确定的 GoF 对象。所以 agent 的设计方法直接来自分布式系统（幂等、Saga、补偿、背压、重放），不是面向对象。这两句话是整门课的两条核心前提。

现状速览 · 截至 2026-06

已是定论：Anthropic 的 6 个工作流构建块（chaining/routing/parallelization/orchestrator-workers/evaluator-optimizer + augmented LLM）与 workflow/agent 二分（2024-12）；CoALA 的"记忆 × 动作空间 × 决策循环"三轴（TMLR 2024）；ReAct 的 thought-action-observation 循环作为 agent 内核；"先 workflow 再 agent、能单别多"的成本纪律（Anthropic + OpenAI 一致）；MemGPT 把记忆做成 RAM/disk 分层。

仍在快速变化：context engineering 取代 prompt engineering 成为 agent 设计主学科（2025-09）；长期记忆方案无统一标准（memory tool 仍 public beta）；code-execution-with-MCP 被视为"架构重置"（2025-11，尚早期）；多 agent 的 supervisor vs swarm 谁更优无定论（Anthropic 力推 vs Cognition《Don't Build Multi-Agents》公开对撞）；摘要式 compaction 被实测有损（Factory.ai：跨会话留存仅 37%）而受质疑，结构化驱逐等替代方案兴起。

已被取代：把 GoF 模式直接套到 agent（当确定对象编排）；"temperature=0 即可复现 LLM 输出"（2025-09 被 batch 不变性证伪）；把多 agent 当默认更优解（实测简单任务单 agent 更省更准）；靠超大 context window 代替记忆（被 context rot 证据推翻）。

先打一支预防针 · 流畅感 ≠ 学会

这门课有大量"原来如此"的瞬间，而顺畅恰恰最危险。读的时候盯住三句自我话术：

「我读得很顺」—— 顺，往往只是面熟，不是学会。
「我做题很快」—— 快，往往是题型眼熟，不是真的辨析清楚。
「我没卡壳」—— 没卡，往往是没真正碰到那条会改变你判断的边界。

每章末尾的自测题、`想一想` 折叠块、以及第 10 章的辨析场景，都是用来戳破这三种假象的。先合上教程作答，再展开对照。

·概念地图

整门课挂在一个中心和两根轴上。中心是那个所有模式共享的原子循环；纵轴问"这一步循环在做什么"（认知功能），横轴问"循环之间如何连接"（执行拓扑）；范式觉醒是地基（定义这两根轴），治理是横切约束，组合是最后的集成收口。九个模块都能在这张图上找到自己的位置。

图 0九个模块都挂在"一个中心 + 两根轴"上。注意：纵轴（认知功能）和横轴（执行拓扑）是正交的——同一套认知循环可以塞进任意拓扑，所以"这一步做什么"和"循环怎么连"是两个能独立拨动的旋钮，这正是全课的钥匙。

·怎么读：三条路径

按目的选一条，不必从头到尾匀速读：

只想建立心智模型（推荐） —— 01 范式觉醒吃透两根轴，再顺着 02→09 把每个认知功能/拓扑挂上去，10 自测验收。约半天。
正在做 agent 架构选型 —— 精读 01 的 §1.3（用坐标系反推选型）拿到判据，直奔你当前卡住的那个模块（记忆？协作？治理？），回头补 01 的双轴定义。
要看懂 / 评审别人的 agent 代码 —— 先读 01 §1.4 逆向五步法当你的拆解清单，再用 02–08 各模块的"备选方案表"逐项核对对方的设计取舍。

·目录

·学完之后

这门课建立的是"agent 设计"的骨架，以下方向各自把一个模块做深：

记忆 / RAG 深读 —— 把第 03 章的记忆与检索单独做透（写入治理、检索排序、遗忘策略）。
推理模式深读 —— ReAct / CoT / ToT / 推理模型的取舍与边界，对应第 04 章。
多 Agent 协作 —— supervisor / swarm / handoff 的工程实现与实测对比，对应第 07 章。
可观测性与评估 —— 把第 08 章治理落到 tracing、eval、回归，是投产前的必修。
上下文工程 —— compaction、context editing、token 预算，是贯穿全课的横切技能。