企业官网建设流程全解析

最近互联网行业确实有点“风声鹤唳”。组里一位同事也“被广进”了，出来看机会时，面了滴滴的 AI 研发岗。一面面试官问了他一道 Agent 题：

Agent 的设计模式有几种，分别适合什么业务场景？

这题看着像八股，真正的坑却是分类口径：Agent 的设计模式没有公认的固定数量。如果直接回答“有三种”或“有五种”，再把 ReAct、Plan-and-Execute、Reflection、Multi-Agent 平铺在一起，名词可能都对，层次却乱了。

更推荐的答法，是按业务系统怎么推进任务来分。先给出五类常见方式，再说它们分别适合什么场景。

严格来说，这五个名词不在同一层：Workflow 不是自主 Agent，Reflection 是质检回路，Multi-Agent 是组织方式。但面试官问的是“分别使用什么业务场景”，把它们放在一张选型表里，比纠结到底算三种还是五种更有用。

真实系统也很少五选一。常见组合是：Workflow 定住主干，局部用 ReAct，复杂任务加 Plan，关键产物再用 Reflection 验收。只有分工确实带来收益时，才增加多个 Agent。

01Workflow：路径能写清，就不让 Agent 自由决定

Workflow 的核心是确定性。先做什么、后做什么、什么条件走哪个分支，都由开发者提前写进代码。模型可以参与其中某个节点，但不拥有整条路径的控制权。

例如退款处理：系统依次检查订单状态、退款资格、金额上限和风险等级；低风险请求自动执行，超过阈值再进人工审批。模型可以帮忙识别用户意图、提取申请理由，但资格判定、金额计算和真正打款仍由规则控制。

这类场景要的是可预测、幂等和可审计，不是模型临场发挥。审批流、批量任务、规则计算和关键状态写入，默认都应从 Workflow 开始。

02ReAct：下一步取决于刚拿到的结果

ReAct 把 Reasoning 和 Acting 交替起来：模型判断下一步动作，调用工具，读取环境返回的 Observation，再决定下一步。它不是一次把路线想完，而是边取证边调整。ReAct 原始论文就是用这种交替方式，把推理和外部行动接到了一起。

判断一个业务是否适合 ReAct，我主要看一句话：

没有上一步的查询结果，现在就无法决定下一步。

例如乘客反馈“这笔订单金额不对”。客服 Agent 可以先查订单明细：

• 如果里程和时长异常，继续查计价明细；
• 如果计价正常但优惠未生效，再查优惠资格和使用记录；
• 如果应付金额正确、实付金额异常，转去查支付流水；
• 证据仍不完整，就停止自动判断，交给人工处理。

这里不存在一条对所有投诉都适用的固定查询路径。每次工具返回的事实，都会缩小下一步的选择范围。这就是 ReAct 的业务价值。

它适合异常定位、开放式检索、动态问答和需要逐步取证的客服场景。代价也很直接：调用轮数多，容易兜圈子，错误判断还会沿着后续步骤放大。

PS：不是每个 Tool-Calling Loop 都严格等同于 ReAct。现代 SDK 可以只暴露工具调用与返回结果，不要求显式输出论文里的推理轨迹。这里借用的是“根据新观察选择下一步”这个核心结构。

加分项：ReAct 上生产，还要主动限制它的行动范围。

我至少会加四个限制：只读工具优先、最大轮数、总成本预算、触发人工接管的条件。涉及退款、改价、封禁等写操作时，模型可以给建议，但不能凭一条推理链直接落库。

03Plan-and-Execute：任务很长，要先做主计划

Plan-and-Execute 先让 Planner 生成多步计划，再由 Executor 逐项完成；执行结果不符合预期时，重新规划剩余步骤。LangChain 对这一架构的实现也包含 Planner、Executor 和 Replan，而不是“计划生成后永远照着跑”。

它和固定工作流的差别很关键。

• 固定工作流的路径由开发者预先写进代码；
• Plan-and-Execute 的计划由模型根据当前任务动态生成，而且允许重排。

两者也不能只按任务长短区分。ReAct 每轮决定的是下一次工具调用；Plan-and-Execute 先排出一段可审查的任务计划。执行器内部仍然可以运行 ReAct，只有计划失效时才回到 Planner 重排。

因此，“退款申请依次经过资格校验、金额计算、审批和打款”不是 Plan-and-Execute 的好例子。这些步骤明确、规则稳定，直接写工作流更可靠。

更合适的业务场景，是生成一份城市运力异常分析报告。目标很清楚，但每次分析的重点不同。Agent 可以先规划：

1. 确认异常发生的城市、时段和指标；
2. 拉取供需、天气、活动和交通数据；
3. 找出变化最大的区域；
4. 验证几个可能原因；
5. 形成结论、证据和建议。

执行到第三步时，如果发现异常只集中在机场区域，后续计划就应该收缩到航班、排队时长和机场运力，而不是机械跑完原计划。

适合 Plan-and-Execute 的，不是“步骤固定”，而是“目标稳定、任务较长、主路线可以先规划”。它常用于多源分析、复杂报告、跨系统资料整理和长周期研发任务。两三次工具调用能解决的事，先生成一份长计划只会增加延迟。

04Reflection：要解决的，是结果合不合规

很多面试答案会把 Reflection 和前两种模式并列。我觉得这句话只对了一半。

ReAct 和 Plan-and-Execute 解决“怎么推进任务”；Reflection 解决“当前产物是否合格，应该回到哪一步重做”。它可以放在最终结果之后，也可以插在计划、查询或生成的中间节点，但通常不单独完成业务目标。

它适合什么业务？得先有可检查的标准。

例如 Agent 写完一份客诉处理建议后，评估器检查：

• 引用的订单、计价和支付事实是否都有查询证据；
• 建议是否符合当前赔付规则；
• 有没有承诺系统无法执行的动作；
• 缺少关键证据时，是否明确转人工。

检查不通过，再带着具体问题修改一次。这里的反馈来自证据和规则，而不是让另一个模型泛泛地说“还可以写得更好”。

代码生成、SQL 生成、合规文案、分析报告都适合加这一层，因为测试、Schema、政策条款或事实清单能充当外部评分信号。反过来，如果标准含糊、没有新证据、修改也无法验证，Reflection 很容易变成两个模型互相提意见，成本翻倍，质量却没有稳定提升。

PS：Reflexion 研究使用环境反馈形成可带入后续尝试的反思记忆；Evaluator-Optimizer 则是“生成—评估—修改”的迭代回路。两者都处理质量问题，但不是同一种实现。

05Multi-Agent：任务需要不同专业角色协作

Multi-Agent 是把一个任务拆给多个专业 Agent，分别使用它们的工具、权限或领域上下文，再组合结果。每个子 Agent 内部仍然可以跑 ReAct，也可以执行 Planner 分配的任务。

例如一次复杂客诉同时涉及订单、计价、支付和风控证据。主 Agent 根据投诉内容决定调查项，再把查询交给具备不同工具权限的专家 Agent，最后统一汇总证据和结论。这就是 Multi-Agent 有收益的场景：分工来自真实的专业和权限边界，不是为了多创建几个 Agent。

但如果查询项早就固定为订单、支付、优惠券三项，普通并行工作流就够了，不必创建三个会对话的 Agent。多 Agent 真正成立，至少要满足一项：

• 子问题需要不同工具、权限或专业上下文；
• 子任务可以并行，节省的时间大于协调成本；
• 需要多个独立视角交叉检查；
• 子任务无法在设计阶段预先写死，要由编排者动态决定。

PS：Multi-Agent 还要说清任务所有权。主 Agent 保留最终责任、调用专家完成子任务，常被称为Manager；当前 Agent 把本轮后续处理交给专家 Agent，常被称为Handoff。前者是“请专家帮忙”，后者是“接下来由专家负责”。

加分项：多个 worker 可以并行查，不能默认并行改。

同一订单状态、同一赔付结论或同一业务对象存在共享写入时，要么划清所有权，要么回到单线程提交。

06到底怎么选：只看 5 个判断

1. 路径能提前写清吗？能，就用 Workflow。
2. 下一步是否依赖刚返回的信息？是，用 ReAct；否则看是否需要先做计划。
3. 任务是否较长，主路线能否提前拆出？能，用 Plan-and-Execute。
4. 结果有没有明确标准可检查？有，再加 Reflection。
5. 子任务是否需要不同工具、权限或专业背景？需要，才考虑 Multi-Agent。

这道题真正想听的，不是你能背出多少名词，而是三件事：能不能先说清分类口径，能不能把设计模式映射到业务条件，能不能知道什么时候不该让 Agent 做决定。

只答 ReAct、Plan-and-Execute、Reflection，是在回答“你听过什么”；能讲清控制权、任务所有权和失败代价，才是在回答“你能否把 Agent 放进真实业务场景里”。

最后唠两句

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选

很简单，这些岗位缺人且高薪

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

那0基础普通人如何学习大模型 ？

深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程
• ✅AI大模型学习路线图（0基础到项目实战仅需90天）
• ✅大模型书籍与技术文档PDF
• ✅各大厂大模型面试题目详解
• ✅640套AI大模型报告合集
• ✅大模型入门实战训练

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

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（0基础到项目实战仅需90天）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤640套AI大模型报告合集

⑥大模型入门实战训练

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓