ReAct Agent（推理 + 行动）
使用场景: 构建首个工具调用 Agent 的开发者
循环：思考 → 行动 → 观察 → 重复，直到得出答案
LLM 在每一步决定是调用工具还是结束
工具：搜索、计算器、单个外部 API
记忆：保存本次任务推理轨迹的暂存区
当 LLM 输出最终答案而非行动时停止
这样组织的原因: ReAct 是默认的起步模式——Agent 在一个循环里交替推理和工具调用，所以出问题时你能直接读它的暂存区，看清它为何选择每一步行动。
AI Agent 架构图示例
以下 AI Agent 示例展示了同样的构建块——推理循环、LLM、记忆和工具——如何为不同的 Agent 模式组合，从简单的工具调用者到把工作拆成步骤的规划 Agent。
真实案例
先规划后执行 Agent
使用场景: 任务步骤多、容易跑偏的工程师
规划器：LLM 先写出完整的分步计划
执行器：独立循环逐步执行，调用工具
重规划：某步失败或返回意外时修订计划
记忆：计划本身 + 已完成步骤的结果
执行用便宜模型，规划用更强模型
这样组织的原因: 先规划后执行把「做什么」和「怎么做」分开——任务很长时很有用，因为 Agent 一开始就锁定一个计划，而不是每一步都重新决定整体策略。
记忆增强助手
使用场景: 构建能跨会话记住用户的 Agent 的团队
短期：当前对话窗口
长期：存放历史对话和用户偏好的向量库
每轮之前，Agent 检索相关的长期记忆
每轮之后，把关键事实写回长期记忆
工具：常规工具集，加一个查询记忆的「回忆」工具
这样组织的原因: 记忆增强是把无状态聊天机器人变成「像是认识你」的助手的关键——先检索、后写入的模式既保持提示词精简，又让 Agent 能访问它学到的一切。
多工具研究 Agent
使用场景: 跨数据源自动化收集数据的分析师
工具：Web 搜索、SQL 数据库、PDF 阅读器、代码沙箱
Agent 针对每个子问题选择合适的工具
代码沙箱让它能对检索到的数据做计算，而不只是获取
护栏：工具调用经沙箱隔离并限流
最后一步：LLM 把工具输出综合成报告
这样组织的原因: 多工具 Agent 在没有单一数据源能给出答案时最有用——价值在于 Agent 为每个子问题选对工具并整合结果，而这正是图表应当清晰呈现的。
使用技巧
- 把反馈循环画出来——Agent → 工具 → 回到 Agent——因为正是这个循环让它成为 Agent 而非管道。
- 把推理块和 LLM 画成独立的两个框；推理策略（ReAct、规划执行）是独立于运行模型的设计选择。
- 把记忆从视觉上分为短期和长期——它们的生命周期和存储不同。
- 把工具层放进单独的 frame，让人清楚 Agent 被允许使用哪些能力。
在线开始编辑
回到模板页，直接替换成你的课程主题、章节和复习重点，就可以继续使用这套结构。
使用这个模板： /editor/new?template=ai-agent-architecture
编辑此 AI Agent 模板