---
title: "AI 智能体设计模式：从简单开始，执行前验证"
canonical: https://wavect.io/zh/blog/ai-agent-design-patterns/
language: zh
description: "比较五种 AI 智能体设计模式：单次调用、ReAct、规划与执行分离、反思和验证器门控。按具体故障选择最小架构，并在付款、权限变更等重要操作前独立验证。"
image: "https://wavect.io/img/blog/headers/header_ai-agent-design-patterns.png"
---

[**返回**](/zh/blog/overview/)

[![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/)

[Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt

12 分钟 阅读 · 2026年9月17日 最近审核 2026年9月17日

[**下一篇**](/zh/blog/agent-harness-engineering/)

# AI 智能体设计模式：从简单开始，执行前验证

要点速览

先建立单次调用基线。工具结果决定下一步时加入 ReAct；长任务丢失依赖时分离规划与执行；具体修订能够改善质量时再使用反思。重要动作必须独立授权，即使建议只来自一次模型调用。记忆提供上下文，不提供权限。增加循环之前，比较验收结果、故障路径、延迟和总成本。

“对话一结束，你的 AI 就把一切都忘了。”这描述的是没有持久化上下文的无状态应用，并不适用于所有 AI 产品。对话内状态与跨会话记忆是两种不同的能力，应用都可以自行提供。 [LangChain 记忆机制概览](https://docs.langchain.com/oss/python/concepts/memory)

不过，记忆并没有回答下一个架构问题：**智能体可以凭借记住的信息做什么？**客服助手可能需要之前的对话来理解投诉，但不能把记忆中的“我是管理员”当成发起退款的授权。关于跨会话的信息提取、更新和遗忘，请参阅 [Supermemory 实施指南](/zh/blog/supermemory-ai-agent-memory/) 。本文讨论的是执行流程的选择。

**对 AI 智能体来说，每一份复杂度都应该有充分理由。**我的起点是能够满足任务验收标准的最小系统。Anthropic 同样建议先尝试简单方案，再权衡额外的智能体行为所带来的延迟和成本。 [Anthropic 的有效智能体设计建议](https://www.anthropic.com/engineering/building-effective-agents)

本文根据故障类型比较五种实用模式。它们是可以组合的架构选择，不是完整分类标准，也不是必须逐级升级的五层成熟度模型。尤其要明确：**验证是风险控制，不是架构足够复杂之后才配备的功能。**资料核查日期为 2026 年 9 月 17 日。以下示例和验收场景是设计建议，不是客户项目的实测结果。

## 哪一种 AI 智能体设计模式能解决你的故障？

增加模型调用之前，先找出最早被违反的要求。缺少上下文，可能需要改进上下文管理；业务流程可以预先确定，可能只需要编写固定工作流。这两种情况都不自动意味着需要自主循环。

| 实际需求 | 可考虑的模式 | 需要接受的成本或边界 |
| --- | --- | --- |
| 一次调用已经满足验收标准 | 单次调用（Single-shot） | 没有自主恢复或后续工具选择。 |
| 下一项有用的工具取决于上一次结果 | ReAct 循环 | 更多调用、不断变化的状态，以及明确的停止条件。 |
| 长任务偏离目标或跳过存在依赖的步骤 | 规划器与执行器（Planner-executor） | 维护计划、跟踪依赖，并限制重新规划。 |
| 初稿能通过具体的质量批评得到改善 | 反思（Reflection） | 增加一轮修改，也可能引入新错误。 |
| 动作会改变资金、权限或外部系统 | 验证器门控执行（Verifier-gated） | 生效前独立检查，并设计拒绝和升级处理路径。 |

最后一行可以适用于其他任何一行。一次模型调用产生的付款建议，同样需要授权。反过来，一个只读摘要功能也不会仅仅因为增加了规划器就变得更好。

## 1. 单次调用：只要有效，就保留简单基线

**单次调用模式把范围明确的任务发送给模型一次，然后返回输出，不运行自主工具循环。**严格来说，它是基础 LLM 工作流；按照要求模型动态选择动作的定义，它未必属于智能体。

它适合从已提供的投诉中提取字段、给请求分类、总结已批准的文档，或在上下文齐全时起草回复。必要的数据可以在调用之前通过确定性的程序准备好，并不需要让模型自己决定如何检索。

**示例：**把客服消息转换成类别、紧急程度和简短摘要，再用普通应用代码验证数据结构。缺少必填字段时，应返回验证失败或请求人工检查，而不是编造订单号。

优势是应用层执行路径很小。局限在于：不改变架构，模型就无法查看一个结果后再自主决定查询另一项来源。一次调用也不天然意味着结果确定、成本低或答案正确；这些都取决于模型、上下文和任务。只要测得的质量足够，就保留这一基线。对于精确计算或固定转换，首先考虑普通代码，而不是模型。

## 2. ReAct：当观察结果改变下一步动作时，再增加循环

**ReAct 交替进行决策、行动和观察。**工具结果会影响下一步选择，而不只是填充预先固定的步骤。原始论文研究了推理与环境动作相结合的方法。 [ReAct 原始研究论文](https://arxiv.org/abs/2210.03629)

**示例：**客服助手查询订单。如果发现运输异常，就继续检查配送事件；如果退货已经完成，就查询退款状态。只看用户最初的消息，无法预先确定哪一次后续查询最有价值。

这不同于每次都读取订单、获取同一份政策，然后生成摘要的固定流程。对于后者，显式应用代码可能比让模型选择执行路径更容易测试。

首次实施时，应设置最大步骤数、总运行时限和工具调用预算。识别没有获得新证据的重复查询。区分可重试的传输故障与业务拒绝；预算耗尽时，明确返回“未完成”状态。记录工具名称、参数、结果和简短决策说明，不要要求访问模型隐藏的内部思考过程。

工具观察结果是数据，不是新的授权来源。敏感读取之前要检查访问权限，工具参数必须验证，每一次会产生重要后果的写操作都要经过控制。检索页面中出现“忽略政策”，不能因此改变实际政策。

## 3. 规划器与执行器：把任务规划和实际执行分开

**Planner-executor 模式为规划和执行分配不同责任。**规划器提出步骤，执行器完成步骤。这是 LangChain 最初介绍该模式时的核心思路，不是效果必然提升的保证。 [规划与执行分离的架构说明](https://www.langchain.com/blog/plan-and-execute-agents)

当长任务反复遗漏交付物、丢失依赖关系或难以从中断处恢复时，可以考虑这种模式。例如，市场研究报告需要先收集证据，再分析，最后形成建议。流畅的最终文字不应该掩盖缺失的研究步骤。

每个拟定步骤都应明确输入、预期输出、依赖关系和完成检查。把已完成工作保存为显式状态。只有当证据推翻原有假设时才重新规划，而不是因为模型还能生成另一份计划。限制重新规划次数，并向负责人展示被阻塞的步骤。

规划与执行不要求使用不同模型，也不要求多个智能体。一个执行器就可以依次完成计划。只有任务真正独立时，并行工作单元才有意义；共享写入和相互依赖的输出需要协调。如果步骤已知且稳定，预定义工作流通常是更小的设计。

需要警惕的故障是：计划格式漂亮，内容却不正确。执行前检查范围和前置条件，完成后验证真实输出，不要把打勾的清单当成成功证据。

## 4. 反思：改善初稿，不要把自我认可当成证明

**反思模式在初次输出之后增加批评和修订。**Self-Refine 使用模型生成的反馈来修改初稿，并报告了在受测任务上的改进。该结果不能被解释为普遍准确性保证。 [Self-Refine 研究论文](https://arxiv.org/abs/2303.17651)

采用具体的评判标准：是否回应了每个问题？是否区分事实与假设？是否只使用批准的来源？“再认真想一想”不是验收标准。先增加一轮修改，再与未经修改的基线比较。

**示例：**一份客服回复草稿事实正确，却没有说明下一步。批评阶段可以指出这一遗漏，并要求补充清晰说明。对于代码，批评可以提出改进建议，但编译、测试和人工审查仍然是独立检查。

关于内在自我纠错的研究发现，受测模型在没有外部反馈时可能无法修正推理，甚至让结果变差。这是针对特定任务和模型的警示，不代表所有后续系统都不可能改善。 [无外部反馈条件下的自我纠错研究](https://arxiv.org/abs/2310.01798)

实际区别很直接：反思问的是“初稿能否改善”，验证检查的是“要求是否真的得到满足”。第二个模型表示同意，依然无法证明用户拥有某项权限，也无法证明账户余额正确。

## 5. 验证器门控：将提出动作与授予执行权限分开

**验证器门控执行会阻止动作生效，直到独立控制允许它执行。**OWASP 建议在下游系统实施授权、限制权限，并对高影响操作要求人工批准，而不是让 LLM 自行决定权限。 [OWASP 关于过度自主权的建议](https://genai.owasp.org/llmrisk/llm062025-excessive-agency/)

“独立”意味着智能体不能绕过检查、改写检查政策或自行伪造证据。验证器可以包括结构校验、规则引擎、可信系统查询、确定性计算或人工审批。另一个模型可以提供参考意见，但不应成为唯一的授权边界。

对于退款建议，我会要求应用确定已认证的操作主体与租户，从权威业务系统读取当前订单，验证金额和币种，检查剩余可退款额度，并确认所需审批。这些是工程控制建议，不是一套完整的支付实现。

审批必须绑定到确切动作，包括收款方、金额、币种和相关记录版本。建议发生变化，就需要重新验证。OWASP 的交易授权指南要求服务端强制执行，并在执行前进行最终授权检查。 [OWASP 交易授权指南](https://cheatsheetseries.owasp.org/cheatsheets/Transaction_Authorization_Cheat_Sheet.html)

证据缺失、验证器响应格式错误或验证器超时，都应该阻止执行或转交审核。业务拒绝不能演变成无限重试。对不确定结果设计幂等与对账机制：支付超时并不能证明付款没有发生。再次写入之前，应先检查当前状态。

门控必须放在每个相关副作用之前，包括中间步骤的工具调用，而不只是最终答案之前。执行后还要核对真实结果。执行前授权与执行后验证解决的是不同问题。

## 客服助手不需要同时使用全部五种模式

假设客户询问一笔延迟配送的订单，并希望了解是否可以退款。这是设计练习，不是客户部署案例。先采用单次调用分类和只读工作流。只有当后续调查取决于之前的查询结果时，才引入 ReAct。

规划器是可选的：简单的订单状态查询通常不需要它。只有调查涉及多个相互依赖的交付物时，才考虑加入。反思同样可选，适用对象是回复草稿，而不是支付授权。

退款路径则不同。将执行凭据保留在模型之外，验证结构化建议，获得必要批准，通过范围有限的接口执行，并核对结果。无论建议由一次模型调用还是多次调用生成，这一边界都不变。

| 场景 | 预期行为 |
| --- | --- |
| 查询返回新的相关证据 | 选择下一项允许的查询，或在问题已解决时停止。 |
| 同一查询不断重复，却没有进展 | 在预算范围内停止，并说明仍未解决的问题。 |
| 审批后退款金额发生变化 | 拒绝使用过期审批，重新验证修改后的建议。 |
| 验证器不可用或所需证据缺失 | 不执行，报告阻塞状态或请求有权人员审核。 |
| 提交后执行超时 | 在安全重试之前，先通过操作标识核对状态。 |

持久化安全恢复所需的状态，但不要把聊天记录等同于执行台账。对敏感追踪数据进行脱敏，并测试重启行为。OWASP 的智能体安全指南进一步讨论了工具限制、记忆保护和运维控制。 [OWASP AI 智能体安全检查指南](https://cheatsheetseries.owasp.org/cheatsheets/AI_Agent_Security_Cheat_Sheet.html)

## 如何判断增加一轮循环是否值得？

使用相同的代表性任务，对比基线和一项拟议改动。尽可能保持模型配置与评估标准一致，记录不可避免的差异，并进行多次试验。否则，所谓的架构进步可能只是换了模型，或者测试样本更简单。

衡量通过验收的结果、无依据的陈述、未授权动作、人工审查投入、超时，以及端到端 p50/p95 延迟。计算全部模型和工具调用，包括重试和修订。成本核算方法见 [AI 智能体单次动作成本指南](/zh/blog/ai-agent-cost-per-action-2026/) 。这里要决定的是：增加的步骤是否充分减少了那个具体故障，足以抵偿额外运维负担。

安全控制不是可以在真实用户身上随意取消的实验选项。授予写入权限之前，应先在沙箱或影子模式中测试会产生重要后果的流程。不能因为无门控的测试更快，就移除授权。

运行时、故障恢复和运维责任，可参考 [智能体运行控制层架构指南](/zh/blog/agent-harness-engineering/) 。对于具体实现，Wavect 的 [AI 开发服务](/zh/services/artificial-intelligence/) 将执行流程与产品要求、验收检查连接起来。我们的 [从原型到企业试点的交付案例](/zh/case-studies/twinsoft-ai/) 是另一项独立实践，不能作为这些模式已在该项目中完成对比测试的证据。

可以用 [上线前软件 QA 检查清单](/zh/software-development-guide/software-qa-checklist-before-launch/) 定义发布标准，或 [讨论你的智能体流程具体出现了什么故障](/zh/contact/) 。准备一条失败追踪、一个成功示例，以及系统绝对不能在未获批准时执行的动作。

## AI 智能体设计模式常见问题

### 本文介绍哪五种 AI 智能体设计模式？

单次调用、ReAct、规划器与执行器、反思，以及验证器门控执行。它们是实用且可组合的模式，不是完整标准。根据任务需求选择控制流程，并在动作会产生重要后果时实施独立授权。

### 一次 LLM 调用真的算智能体吗？

按照要求模型动态选择动作的定义，不算。本文把它作为最简单的基线。如果不需要根据观察结果选择后续工具，一次调用配合确定性输入准备和输出验证可能已经足够。

### 什么时候应该选择 ReAct，而不是固定工作流？

当下一项有用动作取决于事先未知的工具结果时，可以考虑 ReAct。如果步骤顺序稳定且可以预先确定，应先实现普通工作流。任何自主循环都要设置时间、步骤和工具调用上限。

### 规划器与执行器模式必须使用多个智能体吗？

不需要。规划和执行是不同责任，不一定对应不同模型或多个工作单元。一个执行器可以依次完成计划。只并行处理真正独立的工作，并在执行前验证计划。

### 反思等于独立验证吗？

不等于。反思对输出提出批评并进行修改；独立验证通过规则、测试、可信业务记录或有权人员审批来检查要求。模型认可自己的答案，不能证明权限存在，也不能证明事实正确。

### 单次调用模式也需要验证门控吗？

可能需要。风险取决于动作，不取决于模型调用次数。重要操作生效前必须受控，审批要绑定确切建议；必需检查不可用时应阻止执行，执行后还要核对结果。

## 最终思考

从已经观察到的故障出发，而不是从框架图出发。一次调用够用就保留它；下一步依赖观察结果时再加入 ReAct；长任务偏离目标时再分离规划；质量改进可以测量时再使用反思。对于会产生重要后果的动作，让授权独立于提出建议的智能体。复杂度应该解决已证明存在的问题，而不是取代证据。

智能体工程

## 继续浏览此集群

编程智能体、MCP、上下文系统、评估与可靠自动化控制。

[从核心文章开始**AI 智能体的图工程：知识图谱什么时候值得做？**](/zh/blog/graph-engineering-ai-agents/)

- [Supermemory：AI 智能体记忆、RAG 与本地部署指南](/zh/blog/supermemory-ai-agent-memory/)
- [Claude Mods：配置、Function Hooks 与安全指南](/zh/blog/claude-mods-function-hooks/)
- [Voicebox：本地声音克隆、语音输入与 MCP 配置](/zh/blog/voicebox-local-voice-cloning-mcp/)
- [Valyu 的 0.6B 多智能体路由器：研究结果、指标边界与落地判断](/zh/blog/valyu-slm-multi-agent-router/)
- [OpenAI Agents API 评测：迁移、成本与数据控制](/zh/blog/openai-agents-api-managed-harness-review/)

[**返回**](/zh/blog/overview/)

[![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/)

[Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt

12 分钟 阅读 · 2026年9月17日 最近审核 2026年9月17日

[**下一篇**](/zh/blog/agent-harness-engineering/)

## Structured Data

```json
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@id": "https://wavect.io/#organization",
      "@type": [
        "Organization",
        "ProfessionalService",
        "LocalBusiness"
      ],
      "employee": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "founder": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "legalRepresentative": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "name": "Wavect GmbH",
      "subjectOf": {
        "@id": "https://wavect.io/verified-claims.json#dataset",
        "@type": "Dataset",
        "creator": {
          "@id": "https://wavect.io/#organization",
          "@type": [
            "Organization",
            "ProfessionalService",
            "LocalBusiness"
          ]
        },
        "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.",
        "inLanguage": "en",
        "isAccessibleForFree": true,
        "license": "https://creativecommons.org/licenses/by/4.0/",
        "name": "Wavect verified publication claims",
        "url": "https://wavect.io/verified-claims.json"
      },
      "url": "https://wavect.io/"
    },
    {
      "@id": "https://wavect.io/team/kevin-riedl/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Kevin Riedl",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796365",
        "https://www.linkedin.com/in/wsdt",
        "https://github.com/wsdt"
      ],
      "url": "https://wavect.io/team/kevin-riedl/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/team/christof-jori/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Christof Jori",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796367",
        "https://www.linkedin.com/in/jocr77/",
        "https://github.com/jo-chris"
      ],
      "url": "https://wavect.io/team/christof-jori/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/#website",
      "@type": "WebSite",
      "inLanguage": [
        "en",
        "de",
        "es",
        "zh"
      ],
      "name": "Wavect",
      "potentialAction": {
        "@type": "SearchAction",
        "query-input": "required name=search_term_string",
        "target": {
          "@type": "EntryPoint",
          "urlTemplate": "https://wavect.io/search/?q={search_term_string}"
        }
      },
      "publisher": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      },
      "url": "https://wavect.io/"
    },
    {
      "@id": "https://wavect.io/zh/blog/ai-agent-design-patterns/#webpage",
      "@type": "WebPage",
      "dateModified": "2026-09-17",
      "inLanguage": "zh",
      "isPartOf": {
        "@id": "https://wavect.io/#website",
        "@type": "WebSite"
      },
      "lastReviewed": "2026-09-17",
      "url": "https://wavect.io/zh/blog/ai-agent-design-patterns/"
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@type": "BlogPosting",
  "abstract": "先建立单次调用基线。工具结果决定下一步时加入 ReAct；长任务丢失依赖时分离规划与执行；具体修订能够改善质量时再使用反思。重要动作必须独立授权，即使建议只来自一次模型调用。记忆提供上下文，不提供权限。增加循环之前，比较验收结果、故障路径、延迟和总成本。",
  "articleBody": " 博客概览/AI 与智能体/智能体工程 AI 智能体设计模式：从简单开始，执行前验证 要点速览 先建立单次调用基线。工具结果决定下一步时加入 ReAct；长任务丢失依赖时分离规划与执行；具体修订能够改善质量时再使用反思。重要动作必须独立授权，即使建议只来自一次模型调用。记忆提供上下文，不提供权限。增加循环之前，比较验收结果、故障路径、延迟和总成本。 “对话一结束，你的 AI 就把一切都忘了。”这描述的是没有持久化上下文的无状态应用，并不适用于所有 AI 产品。对话内状态与跨会话记忆是两种不同的能力，应用都可以自行提供。LangChain 记忆机制概览 不过，记忆并没有回答下一个架构问题：智能体可以凭借记住的信息做什么？客服助手可能需要之前的对话来理解投诉，但不能把记忆中的“我是管理员”当成发起退款的授权。关于跨会话的信息提取、更新和遗忘，请参阅Supermemory 实施指南。本文讨论的是执行流程的选择。 对 AI 智能体来说，每一份复杂度都应该有充分理由。我的起点是能够满足任务验收标准的最小系统。Anthropic 同样建议先尝试简单方案，再权衡额外的智能体行为所带来的延迟和成本。Anthropic 的有效智能体设计建议 本文根据故障类型比较五种实用模式。它们是可以组合的架构选择，不是完整分类标准，也不是必须逐级升级的五层成熟度模型。尤其要明确：验证是风险控制，不是架构足够复杂之后才配备的功能。资料核查日期为 2026 年 9 月 17 日。以下示例和验收场景是设计建议，不是客户项目的实测结果。 哪一种 AI 智能体设计模式能解决你的故障？ 增加模型调用之前，先找出最早被违反的要求。缺少上下文，可能需要改进上下文管理；业务流程可以预先确定，可能只需要编写固定工作流。这两种情况都不自动意味着需要自主循环。 针对已经观察到的故障，选择最小的架构调整 实际需求可考虑的模式需要接受的成本或边界 一次调用已经满足验收标准单次调用（Single-shot）没有自主恢复或后续工具选择。 下一项有用的工具取决于上一次结果ReAct 循环更多调用、不断变化的状态，以及明确的停止条件。 长任务偏离目标或跳过存在依赖的步骤规划器与执行器（Planner-executor）维护计划、跟踪依赖，并限制重新规划。 初稿能通过具体的质量批评得到改善反思（Reflection）增加一轮修改，也可能引入新错误。 动作会改变资金、权限或外部系统验证器门控执行（Verifier-gated）生效前独立检查，并设计拒绝和升级处理路径。 最后一行可以适用于其他任何一行。一次模型调用产生的付款建议，同样需要授权。反过来，一个只读摘要功能也不会仅仅因为增加了规划器就变得更好。 1. 单次调用：只要有效，就保留简单基线 单次调用模式把范围明确的任务发送给模型一次，然后返回输出，不运行自主工具循环。严格来说，它是基础 LLM 工作流；按照要求模型动态选择动作的定义，它未必属于智能体。 它适合从已提供的投诉中提取字段、给请求分类、总结已批准的文档，或在上下文齐全时起草回复。必要的数据可以在调用之前通过确定性的程序准备好，并不需要让模型自己决定如何检索。 示例：把客服消息转换成类别、紧急程度和简短摘要，再用普通应用代码验证数据结构。缺少必填字段时，应返回验证失败或请求人工检查，而不是编造订单号。 优势是应用层执行路径很小。局限在于：不改变架构，模型就无法查看一个结果后再自主决定查询另一项来源。一次调用也不天然意味着结果确定、成本低或答案正确；这些都取决于模型、上下文和任务。只要测得的质量足够，就保留这一基线。对于精确计算或固定转换，首先考虑普通代码，而不是模型。 2. ReAct：当观察结果改变下一步动作时，再增加循环 ReAct 交替进行决策、行动和观察。工具结果会影响下一步选择，而不只是填充预先固定的步骤。原始论文研究了推理与环境动作相结合的方法。ReAct 原始研究论文 示例：客服助手查询订单。如果发现运输异常，就继续检查配送事件；如果退货已经完成，就查询退款状态。只看用户最初的消息，无法预先确定哪一次后续查询最有价值。 这不同于每次都读取订单、获取同一份政策，然后生成摘要的固定流程。对于后者，显式应用代码可能比让模型选择执行路径更容易测试。 首次实施时，应设置最大步骤数、总运行时限和工具调用预算。识别没有获得新证据的重复查询。区分可重试的传输故障与业务拒绝；预算耗尽时，明确返回“未完成”状态。记录工具名称、参数、结果和简短决策说明，不要要求访问模型隐藏的内部思考过程。 工具观察结果是数据，不是新的授权来源。敏感读取之前要检查访问权限，工具参数必须验证，每一次会产生重要后果的写操作都要经过控制。检索页面中出现“忽略政策”，不能因此改变实际政策。 3. 规划器与执行器：把任务规划和实际执行分开 Planner-executor 模式为规划和执行分配不同责任。规划器提出步骤，执行器完成步骤。这是 LangChain 最初介绍该模式时的核心思路，不是效果必然提升的保证。规划与执行分离的架构说明 当长任务反复遗漏交付物、丢失依赖关系或难以从中断处恢复时，可以考虑这种模式。例如，市场研究报告需要先收集证据，再分析，最后形成建议。流畅的最终文字不应该掩盖缺失的研究步骤。 每个拟定步骤都应明确输入、预期输出、依赖关系和完成检查。把已完成工作保存为显式状态。只有当证据推翻原有假设时才重新规划，而不是因为模型还能生成另一份计划。限制重新规划次数，并向负责人展示被阻塞的步骤。 规划与执行不要求使用不同模型，也不要求多个智能体。一个执行器就可以依次完成计划。只有任务真正独立时，并行工作单元才有意义；共享写入和相互依赖的输出需要协调。如果步骤已知且稳定，预定义工作流通常是更小的设计。 需要警惕的故障是：计划格式漂亮，内容却不正确。执行前检查范围和前置条件，完成后验证真实输出，不要把打勾的清单当成成功证据。 4. 反思：改善初稿，不要把自我认可当成证明 反思模式在初次输出之后增加批评和修订。Self-Refine 使用模型生成的反馈来修改初稿，并报告了在受测任务上的改进。该结果不能被解释为普遍准确性保证。Self-Refine 研究论文 采用具体的评判标准：是否回应了每个问题？是否区分事实与假设？是否只使用批准的来源？“再认真想一想”不是验收标准。先增加一轮修改，再与未经修改的基线比较。 示例：一份客服回复草稿事实正确，却没有说明下一步。批评阶段可以指出这一遗漏，并要求补充清晰说明。对于代码，批评可以提出改进建议，但编译、测试和人工审查仍然是独立检查。 关于内在自我纠错的研究发现，受测模型在没有外部反馈时可能无法修正推理，甚至让结果变差。这是针对特定任务和模型的警示，不代表所有后续系统都不可能改善。无外部反馈条件下的自我纠错研究 实际区别很直接：反思问的是“初稿能否改善”，验证检查的是“要求是否真的得到满足”。第二个模型表示同意，依然无法证明用户拥有某项权限，也无法证明账户余额正确。 5. 验证器门控：将提出动作与授予执行权限分开 验证器门控执行会阻止动作生效，直到独立控制允许它执行。OWASP 建议在下游系统实施授权、限制权限，并对高影响操作要求人工批准，而不是让 LLM 自行决定权限。OWASP 关于过度自主权的建议 “独立”意味着智能体不能绕过检查、改写检查政策或自行伪造证据。验证器可以包括结构校验、规则引擎、可信系统查询、确定性计算或人工审批。另一个模型可以提供参考意见，但不应成为唯一的授权边界。 对于退款建议，我会要求应用确定已认证的操作主体与租户，从权威业务系统读取当前订单，验证金额和币种，检查剩余可退款额度，并确认所需审批。这些是工程控制建议，不是一套完整的支付实现。 审批必须绑定到确切动作，包括收款方、金额、币种和相关记录版本。建议发生变化，就需要重新验证。OWASP 的交易授权指南要求服务端强制执行，并在执行前进行最终授权检查。OWASP 交易授权指南 证据缺失、验证器响应格式错误或验证器超时，都应该阻止执行或转交审核。业务拒绝不能演变成无限重试。对不确定结果设计幂等与对账机制：支付超时并不能证明付款没有发生。再次写入之前，应先检查当前状态。 门控必须放在每个相关副作用之前，包括中间步骤的工具调用，而不只是最终答案之前。执行后还要核对真实结果。执行前授权与执行后验证解决的是不同问题。 客服助手不需要同时使用全部五种模式 假设客户询问一笔延迟配送的订单，并希望了解是否可以退款。这是设计练习，不是客户部署案例。先采用单次调用分类和只读工作流。只有当后续调查取决于之前的查询结果时，才引入 ReAct。 规划器是可选的：简单的订单状态查询通常不需要它。只有调查涉及多个相互依赖的交付物时，才考虑加入。反思同样可选，适用对象是回复草稿，而不是支付授权。 退款路径则不同。将执行凭据保留在模型之外，验证结构化建议，获得必要批准，通过范围有限的接口执行，并核对结果。无论建议由一次模型调用还是多次调用生成，这一边界都不变。 同一客服流程的建议验收场景 场景预期行为 查询返回新的相关证据选择下一项允许的查询，或在问题已解决时停止。 同一查询不断重复，却没有进展在预算范围内停止，并说明仍未解决的问题。 审批后退款金额发生变化拒绝使用过期审批，重新验证修改后的建议。 验证器不可用或所需证据缺失不执行，报告阻塞状态或请求有权人员审核。 提交后执行超时在安全重试之前，先通过操作标识核对状态。 持久化安全恢复所需的状态，但不要把聊天记录等同于执行台账。对敏感追踪数据进行脱敏，并测试重启行为。OWASP 的智能体安全指南进一步讨论了工具限制、记忆保护和运维控制。OWASP AI 智能体安全检查指南 如何判断增加一轮循环是否值得？ 使用相同的代表性任务，对比基线和一项拟议改动。尽可能保持模型配置与评估标准一致，记录不可避免的差异，并进行多次试验。否则，所谓的架构进步可能只是换了模型，或者测试样本更简单。 衡量通过验收的结果、无依据的陈述、未授权动作、人工审查投入、超时，以及端到端 p50/p95 延迟。计算全部模型和工具调用，包括重试和修订。成本核算方法见AI 智能体单次动作成本指南。这里要决定的是：增加的步骤是否充分减少了那个具体故障，足以抵偿额外运维负担。 安全控制不是可以在真实用户身上随意取消的实验选项。授予写入权限之前，应先在沙箱或影子模式中测试会产生重要后果的流程。不能因为无门控的测试更快，就移除授权。 运行时、故障恢复和运维责任，可参考智能体运行控制层架构指南。对于具体实现，Wavect 的AI 开发服务将执行流程与产品要求、验收检查连接起来。我们的从原型到企业试点的交付案例是另一项独立实践，不能作为这些模式已在该项目中完成对比测试的证据。 可以用上线前软件 QA 检查清单定义发布标准，或讨论你的智能体流程具体出现了什么故障。准备一条失败追踪、一个成功示例，以及系统绝对不能在未获批准时执行的动作。 AI 智能体设计模式常见问题 本文介绍哪五种 AI 智能体设计模式？ 单次调用、ReAct、规划器与执行器、反思，以及验证器门控执行。它们是实用且可组合的模式，不是完整标准。根据任务需求选择控制流程，并在动作会产生重要后果时实施独立授权。 一次 LLM 调用真的算智能体吗？ 按照要求模型动态选择动作的定义，不算。本文把它作为最简单的基线。如果不需要根据观察结果选择后续工具，一次调用配合确定性输入准备和输出验证可能已经足够。 什么时候应该选择 ReAct，而不是固定工作流？ 当下一项有用动作取决于事先未知的工具结果时，可以考虑 ReAct。如果步骤顺序稳定且可以预先确定，应先实现普通工作流。任何自主循环都要设置时间、步骤和工具调用上限。 规划器与执行器模式必须使用多个智能体吗？ 不需要。规划和执行是不同责任，不一定对应不同模型或多个工作单元。一个执行器可以依次完成计划。只并行处理真正独立的工作，并在执行前验证计划。 反思等于独立验证吗？ 不等于。反思对输出提出批评并进行修改；独立验证通过规则、",
  "articleSection": "软件工程",
  "author": {
    "@id": "https://wavect.io/team/kevin-riedl/#person",
    "@type": "Person",
    "name": "Kevin Riedl",
    "sameAs": [
      "https://www.wikidata.org/wiki/Q139796365",
      "https://www.linkedin.com/in/wsdt",
      "https://github.com/wsdt"
    ],
    "url": "https://wavect.io/team/kevin-riedl/"
  },
  "citation": [
    {
      "@type": "WebPage",
      "name": "LangChain 记忆机制概览",
      "url": "https://docs.langchain.com/oss/python/concepts/memory"
    },
    {
      "@type": "WebPage",
      "name": "Anthropic 的有效智能体设计建议",
      "url": "https://www.anthropic.com/engineering/building-effective-agents"
    },
    {
      "@type": "WebPage",
      "name": "ReAct 原始研究论文",
      "url": "https://arxiv.org/abs/2210.03629"
    },
    {
      "@type": "WebPage",
      "name": "规划与执行分离的架构说明",
      "url": "https://www.langchain.com/blog/plan-and-execute-agents"
    },
    {
      "@type": "WebPage",
      "name": "Self-Refine 研究论文",
      "url": "https://arxiv.org/abs/2303.17651"
    },
    {
      "@type": "WebPage",
      "name": "无外部反馈条件下的自我纠错研究",
      "url": "https://arxiv.org/abs/2310.01798"
    },
    {
      "@type": "WebPage",
      "name": "OWASP 关于过度自主权的建议",
      "url": "https://genai.owasp.org/llmrisk/llm062025-excessive-agency/"
    },
    {
      "@type": "WebPage",
      "name": "OWASP 交易授权指南",
      "url": "https://cheatsheetseries.owasp.org/cheatsheets/Transaction_Authorization_Cheat_Sheet.html"
    },
    {
      "@type": "WebPage",
      "name": "OWASP AI 智能体安全检查指南",
      "url": "https://cheatsheetseries.owasp.org/cheatsheets/AI_Agent_Security_Cheat_Sheet.html"
    }
  ],
  "dateModified": "2026-09-17",
  "datePublished": "2026-09-17",
  "description": "先建立单次调用基线。工具结果决定下一步时加入 ReAct；长任务丢失依赖时分离规划与执行；具体修订能够改善质量时再使用反思。重要动作必须独立授权，即使建议只来自一次模型调用。记忆提供上下文，不提供权限。增加循环之前，比较验收结果、故障路径、延迟和总成本。",
  "headline": "AI 智能体设计模式：从简单开始，执行前验证",
  "image": "https://wavect.io/img/blog/headers/header_ai-agent-design-patterns.svg",
  "inLanguage": "zh",
  "keywords": "AI 智能体, 软件架构, AI 安全",
  "mainEntityOfPage": {
    "@id": "https://wavect.io/zh/blog/ai-agent-design-patterns/",
    "@type": "WebPage"
  },
  "publisher": {
    "@id": "https://wavect.io/#organization",
    "@type": [
      "Organization",
      "ProfessionalService",
      "LocalBusiness"
    ]
  },
  "url": "https://wavect.io/zh/blog/ai-agent-design-patterns/",
  "wordCount": 210
}
```

```json
{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    {
      "@type": "ListItem",
      "item": "https://wavect.io/zh/",
      "name": "首页",
      "position": 1
    },
    {
      "@type": "ListItem",
      "item": "https://wavect.io/zh/blog/overview/",
      "name": "博客概览",
      "position": 2
    },
    {
      "@type": "ListItem",
      "item": "https://wavect.io/zh/blog/topics/ai-agents/",
      "name": "AI 与智能体",
      "position": 3
    },
    {
      "@type": "ListItem",
      "item": "https://wavect.io/zh/blog/clusters/agent-engineering/",
      "name": "智能体工程",
      "position": 4
    },
    {
      "@type": "ListItem",
      "item": "https://wavect.io/zh/blog/ai-agent-design-patterns/",
      "name": "AI 智能体设计模式：从简单开始，执行前验证",
      "position": 5
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "单次调用、ReAct、规划器与执行器、反思，以及验证器门控执行。它们是实用且可组合的模式，不是完整标准。根据任务需求选择控制流程，并在动作会产生重要后果时实施独立授权。"
      },
      "name": "本文介绍哪五种 AI 智能体设计模式？"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "按照要求模型动态选择动作的定义，不算。本文把它作为最简单的基线。如果不需要根据观察结果选择后续工具，一次调用配合确定性输入准备和输出验证可能已经足够。"
      },
      "name": "一次 LLM 调用真的算智能体吗？"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "当下一项有用动作取决于事先未知的工具结果时，可以考虑 ReAct。如果步骤顺序稳定且可以预先确定，应先实现普通工作流。任何自主循环都要设置时间、步骤和工具调用上限。"
      },
      "name": "什么时候应该选择 ReAct，而不是固定工作流？"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "不需要。规划和执行是不同责任，不一定对应不同模型或多个工作单元。一个执行器可以依次完成计划。只并行处理真正独立的工作，并在执行前验证计划。"
      },
      "name": "规划器与执行器模式必须使用多个智能体吗？"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "不等于。反思对输出提出批评并进行修改；独立验证通过规则、测试、可信业务记录或有权人员审批来检查要求。模型认可自己的答案，不能证明权限存在，也不能证明事实正确。"
      },
      "name": "反思等于独立验证吗？"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "可能需要。风险取决于动作，不取决于模型调用次数。重要操作生效前必须受控，审批要绑定确切建议；必需检查不可用时应阻止执行，执行后还要核对结果。"
      },
      "name": "单次调用模式也需要验证门控吗？"
    }
  ]
}
```