ReAct与Plan & Solve孰优孰劣？一文讲清楚AI Agent工作流设计模式

关注

原创最新推荐文章于 2026-10-09 13:13:02 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

深入京东JoyAgent架构：从ReAct到Plan-Solve，看大模型Agent如何协同工作本文深入解析京东JoyAgent架构，探讨从ReAct到Plan-Solve的多智能体协同工作机制。通过角色划分、任务路由与执行协调等设计，JoyAgent实现了复杂任务的高效处理，展现了京东在大模型Agent领域的创新实践。阅读详情

随着大模型技术的突飞猛进，越来越多开发者投身AI Agent系统的构建。但实践中大家逐渐发现：光有强大的大语言模型（LLM）远远不够——如何让AI具备人类般的思考、规划、执行能力，甚至能自主优化行为，才是真正的核心挑战。

这正是我们今天要深入探讨的主题：AI Agent的工作流设计模式（Workflow Design Patterns）。

这些模式并非凭空创造，而是对人类思维过程的模拟与抽象。它们直接决定了AI Agent是“机械地完成指令”，还是“智能地解决问题”。

1、AI Agent的核心工作逻辑是什么？

先简单回顾下AI Agent的基本概念。

一个基于大语言模型的AI Agent，通常包含四大核心组件：

Prompt模板：规范模型的思考方向与输出格式；
工具调用能力：如联网搜索、数学计算、数据库查询等；
记忆机制：存储交互历史、任务状态等关键信息；
决策流程：定义完成复杂任务的步骤与逻辑。

而工作流设计模式，正是用来搭建“决策流程”的框架。

请添加图片描述

请添加图片描述
不同的模式，对应着不同的思维策略和任务处理路径。

2、主流模式可分为两类：反思型与规划型

一、反思型（Reflection-focused）

这类模式的核心是让Agent在执行中不断“复盘”，通过评估过往行为优化后续决策。

就像厨师试菜：做完一道菜先尝味道（评估），根据口感调整调料（优化），再重新烹饪——是一个持续迭代的过程。

1. 基础反思（Basic Reflection）

请添加图片描述

可以类比“学生写作文”的过程：

学生（生成器）先写初稿；
老师（反思器）批改并标注问题（如逻辑漏洞、用词不当）；
学生根据反馈修改，直到符合要求。

这种模式适合需要反复打磨结果的场景，比如文案创作、数学解题、代码优化等。

2. Reflexion：带强化学习的反思机制

请添加图片描述

在基础反思的基础上，加入了“量化评分”机制。每次Agent完成一个步骤，系统会从“效率”“准确性”等维度打分，根据分数决定是继续推进、重做步骤，还是调整策略。

这相当于给AI装了个“智能错题本”，不仅能发现错误，还能记住错在哪里，避免重复踩坑。

3. 树搜索+反思（LATS）

请添加图片描述

LATS整合了树搜索、ReAct、Plan & Solve、反思与强化学习等多种能力，本质是“在多条可能的路径中试错，同时记录最优路线”。

比如解复杂的数学题时，既会尝试用方程法，也会试代入法，每走一步都检查是否偏离目标，最终筛选出最快的解题路径。

它特别适合逻辑推理密集型任务，如数学证明、程序调试、复杂决策分析等。

4. 自我发现（Self-Discovery）

请添加图片描述

这是目前最接近“人类元认知”的模式。它要求Agent不仅能执行任务，还要理解“为什么这样做”“背后的逻辑是什么”。

比如写一篇市场分析报告时，Self-Discovery模式的Agent会先拆解“用户需要什么结论”“哪些数据能支撑结论”，再动态调整搜集数据的方向，而不是机械地堆砌信息。

二、规划型（Planning-focused）

这类模式更注重“事前规划”与“步骤拆解”，擅长处理多阶段协同的复杂任务。

1. ReAct模式（Reason + Act）

作为早期经典模式，ReAct的核心是“边想边做，动态调整”。

比如找钥匙的过程：

思考（Thought）：可能放在玄关的抽屉里；
行动（Action）：打开玄关抽屉；
观察（Observation）：没找到，换个地方——可能在客厅沙发上。

它的优势是灵活应对突发情况，缺点是对长期目标的把控较弱。

✅ 适用场景：需要实时反馈的任务，如智能客服（根据用户实时提问调整回答）、游戏AI（根据对手动作调整策略）、实时信息查询等。

2. Plan & Solve模式

顾名思义，先制定完整计划，再分步执行，执行中动态调整。

请添加图片描述

比如策划一场露营：

规划：买帐篷→查天气→订营地→准备食材；
执行：每步检查是否可行（如帐篷尺寸是否合适）；
调整：若发现天气预报有雨，临时加入“准备防雨布”的步骤。

这种模式适合多步骤、强依赖、易变化的任务。

✅ 适用场景：自动化办公流程（如合同审批）、项目管理（如产品上线计划）、任务调度（如物流配送路线规划）等。

3. REWOO：简化观察的推理模式

REWOO是ReAct的优化版，省略了独立的“观察”步骤，将其隐含在执行过程中。

请添加图片描述

也就是说，每个动作的结果会自动成为下一个动作的输入，无需单独记录。比如查快递时，“输入单号”的动作结果（物流信息）会直接触发“判断是否送达”的下一步思考，无需额外存储“已获取物流信息”这一观察记录。

✅ 优点：流程更简洁，减少冗余步骤，执行效率更高。

4. LLM Compiler：并行处理的“工具调度大师”

请添加图片描述

名字源于计算机“编译器”，核心是允许Agent同时调用多个工具，而非按顺序执行。

比如用户问“北京和上海的今天的天气、景点人流有何差异”，LLM Compiler会同时调用天气API（查两地天气）和景区数据接口（查人流），再整合结果对比，大幅缩短耗时。

✅ 优点：特别适合信息检索类任务，能显著提升执行效率。

5. Storm：长文本生成的自动化利器

请添加图片描述

Storm专为高质量长文本生成设计，工作流程类似“写论文”：

用工具搜集素材（如查行业报告、学术论文）；
生成结构化大纲（分章节、定论点）；
按大纲分段撰写（每部分聚焦一个论点）；
整体润色整合（调整逻辑、统一风格）。

✅ 适用场景：深度报道撰写、行业白皮书、学术综述、产品说明书等。

3、如何为你的任务选对模式？

不同任务适配不同模式，可从以下维度判断：

任务特点	推荐模式
需要实时反馈调整	ReAct
多步骤且步骤间有依赖	Plan & Solve
结果需反复优化	Basic Reflection / Reflexion
追求高效信息整合	LLM Compiler
生成长篇结构化内容	Storm
需探索多种解决方案	LATS

实际开发中，往往需要混合模式：比如用Plan & Solve做整体规划，嵌入ReAct处理突发情况，再用Basic Reflection优化最终结果。

4、实战案例：用Plan & Solve生成旅游攻略

假设要构建一个“个性化旅游攻略”AI Agent，流程可设计为：

Planner：拆解攻略维度（景点、交通、住宿、美食，结合用户偏好：亲子游→侧重乐园、无障碍设施）；
Executor：调用地图API（查景点路线）、酒店接口（查亲子友好型住宿）、本地生活平台（查儿童餐厅）；
Replanner：发现某乐园维修闭园，立即替换为同类型景点并调整路线；
Summarizer：整合信息，按“每日行程”结构化输出，标注注意事项（如儿童票预约方式）。

这种设计既保证了攻略的结构化，又能灵活应对突发变化，输出符合用户需求的内容。

5、总结

AI Agent的工作流设计模式，本质是对人类认知逻辑的数字化模拟。

从早期的ReAct到如今的LATS、Storm，这些模式的演进，体现了AI从“被动执行”到“主动思考”的跨越。

如果你正在搭建Agent系统，可从这几点入手：

先明确任务的核心目标与流程特点；
组合1-2种核心模式，搭配辅助模式（如用反思型优化规划型的结果）；
持续打磨Prompt模板与工具接口，减少执行偏差；
加入记忆与反思机制，让Agent具备“学习能力”。

未来，AI Agent的竞争力，将取决于其“思考方式”的先进性。

6、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】