AI Agent设计模式：从ReAct到Plan-and-Execute

Agent 设计模式ReAct 与 Plan-Execute 讲透Function Calling 让 Agent 会用工具但真正让 Agent「聪明」的是它的思考模式。这就像给你一本字典不意味着你会写文章——你需要方法论。ReAct 和 Plan-Execute 就是 Agent 的两种核心方法论。一、什么是 Agent 的「思考模式」看一个例子用户写一个 Python 脚本从 CSV 读取销售数据计算月度汇总生成图表 普通 LLM直接写一堆代码可能缺少依赖、路径写死、图表类型不合适 有思考的 Agent 思考我需要分几步做这件事 步骤1先看看 CSV 长什么样调 read_file 步骤2用 pandas 读取和计算写代码 步骤3用 matplotlib 生成图表写代码 步骤4跑一遍验证执行 结果完整、可运行的方案这就是 Agent 的核心价值——不是一步到位而是分步执行、观察结果、修正方向。二、ReAct边想边做ReAct Reasoning Acting是 2023 年 Google 提出的范式至今仍是 Agent 设计的基础。ReAct 循环┌──────────────┐ │ 观察环境 │←─────────────┐ └──────┬───────┘ │ ▼ │ ┌──────────────┐ │ │ 推理思考 │ │ └──────┬───────┘ │ ▼ │ ┌──────────────┐ │ │ 执行动作 │──────────────┘ └──────────────┘ 循环直到完成手写 ReAct AgentimportjsonfromopenaiimportOpenAI clientOpenAI(api_keyyour-key,base_urlhttps://api.deepseek.com/v1)# ── 工具定义 ──tools[...]# 同上一篇的天气和计算工具# ── ReAct System Prompt ──REACT_PROMPT你是一个 ReAct Agent。按以下格式思考和行动 Thought: 分析当前情况决定下一步做什么 Action: 调用的工具名称 Action Input: 工具参数JSON 格式 Observation: 工具返回的结果 ...重复 Thought/Action/Action Input/Observation Thought: 我已经有足够的信息回答用户了 Final Answer: 最终回答 可用工具 - get_weather(city: str): 查询城市天气 - calculate(expression: str): 执行数学计算 开始defreact_agent(user_input:str,max_steps:int5)-str:messages[{role:system,content:REACT_PROMPT},{role:user,content:user_input}]forstepinrange(max_steps):print(f\n--- Step{step1}---)responseclient.chat.completions.create(modeldeepseek-chat,messagesmessages,toolstools,tool_choiceauto)msgresponse.choices[0].message contentmsg.contentorprint(content[:200])# 如果 LLM 输出 Final Answer结束ifFinal Answer:incontent:returncontent.split(Final Answer:)[-1].strip()# 如果有工具调用执行ifmsg.tool_calls:fortool_callinmsg.tool_calls:func_nametool_call.function.name func_argsjson.loads(tool_call.function.arguments)print(f 调用{func_name}({func_args}))# 执行工具resultexecute_tool(func_name,func_args)print(f 结果{result})# 追加入对话messages.append(msg)messages.append({role:tool,tool_call_id:tool_call.id,content:result})return未能完成超过最大步骤数# ── 复杂任务测试 ──resultreact_agent(北京今天什么天气如果温度超过 20 度帮我把 100 200 算一下)print(f\n✅ 最终答案{result})执行过程--- Step 1 --- Thought: 用户问了两个问题。先查北京天气。 Action: get_weather 调用get_weather({city: 北京}) 结果北京晴25°C --- Step 2 --- Thought: 温度超过 20 度需要计算 100 200 Action: calculate 调用calculate({expression: 100 200}) 结果300 --- Step 3 --- Thought: 两个问题都有了结果 Final Answer: 北京今天晴天温度 25°C。由于超过 20 度100 200 300。三、Plan-Execute先规划后执行ReAct 是「走一步看一步」Plan-Execute 是「谋定而后动」。Plan-Execute 流程 ① Planner规划器 分析任务 → 生成步骤清单 ② Executor执行器 逐步执行计划中的每一步 ③ Monitor监控器 检查执行结果必要时让 Planner 重新规划Plan-Execute 代码框架PLANNER_PROMPT你是任务规划器。请将用户需求分解为可执行的步骤清单。 每步应该是单一的、可独立完成的动作。 输出格式 { steps: [ {step: 1, action: 描述动作, tool: 工具名, args: {}}, {step: 2, ...} ] }EXECUTOR_PROMPT你是任务执行器。执行给定的步骤报告结果。asyncdefplan_execute_agent(user_input:str):# 1. 规划plan_responseclient.chat.completions.create(modeldeepseek-chat,messages[{role:system,content:PLANNER_PROMPT},{role:user,content:user_input}],response_format{type:json_object})planjson.loads(plan_response.choices[0].message.content)print(f 规划了{len(plan[steps])}个步骤)# 2. 逐步执行results[]forsinplan[steps]:print(f 执行步骤{s[step]}:{s[action]})resultexecute_tool(s[tool],s[args])results.append(result)# 3. 汇总summary_promptf根据以下执行结果生成最终回复\n{json.dumps(results)}finalclient.chat.completions.create(modeldeepseek-chat,messages[{role:user,content:summary_prompt}])returnfinal.choices[0].message.content四、ReAct vs Plan-Execute维度ReActPlan-Execute决策方式每步看结果再决定下一步一次性规划逐步执行灵活性高——能应对意外低——按计划走效率步骤可能多步骤少不反复适用场景需要试错、探索性任务步骤明确、流程化任务风险可能「迷路」无限循环第一步规划错就全错实战建议简单任务用 ReAct流程明确的任务用 Plan-Execute。复杂任务可以混合——先用 Plan-Execute 规划大框架每个子任务内部用 ReAct。五、进阶Reflection反思模式在 ReAct 基础上加一层「回头看」ReAct 循环 ↓ 暂停 → 自我检查 我做对了吗有没有遗漏有没有更简单的做法 ↓ 有问题 → 修正 → 继续 没问题 → 输出最终答案REFLECTION_PROMPT 请检查你刚才的推理和行动 1. 是否遗漏了用户需求 2. 工具调用结果是否正确理解 3. 最终回答是否完整 如果发现问题请修正后重新输出。 六、实战用 ReAct 做一个代码助手 Agent# 工具集tools[{name:read_file,description:读取文件内容},{name:write_file,description:写入文件},{name:run_tests,description:运行测试},{name:search_docs,description:搜索技术文档},]# 场景修 bugtask 用户报告app.py 第 42 行的 login 函数当用户名为空时没有返回错误。 请修复这个 bug并确保所有测试通过。 # Agent 的执行过程# Thought: 先看看 app.py 长什么样# Action: read_file(app.py)# Observation: [文件内容]# Thought: 第 42 行确实没有处理空用户名。需要加校验。# Action: write_file(app.py, [修改后的内容])# Observation: 写入成功# Thought: 跑测试确认# Action: run_tests()# Observation: 全部通过 ✅# Final Answer: 已在 login 函数开头添加了空用户名校验测试全部通过。七、总结ReAct 是 Agent 的基础循环思考→行动→观察→再思考Plan-Execute 适合确定性任务先列计划逐步执行Reflection 提升准确率执行后自我检查生产环境通常混合使用外层 Plan-Execute子任务 ReAct设置 max_steps防止 Agent 无限循环八、生产实战Agent 上线后才知道的事8.1 Agent 无限循环——每月至少遇到一次ReAct Agent 最常见的 bugLLM 反复调用同一个工具永远到不了 Final Answer。一个代码审查 Agent 因为 LLM 对修复不满意连续调了 14 次 read_file write_file烧了 $2 Token什么都没改好MAX_STEPS5STAGNATION_LIMIT3# 连续同一动作超过 3 次 → 强制终止defdetect_loop(action_history:list)-bool:iflen(action_history)STAGNATION_LIMIT:returnFalserecentaction_history[-STAGNATION_LIMIT:]# 检查最近 3 次是否都在做一模一样的事returnlen(set((a[tool],str(a[args]))forainrecent))1# 在主循环中检测ifdetect_loop(action_history):messages.append({role:system,content:你陷入了循环。直接输出 Final Answer说明无法完成的原因。})8.2 成本失控——Agent 偷偷帮你花钱电商客服 Agent日均 200 次对话 每次对话3250 Token 月消耗2000 万 Token Claude Opus: $300/月 Claude Sonnet: $60/月 DeepSeek V3: ¥20/月经验Agent 开发阶段用便宜模型。上线后对任务分级——简单意图识别用 DeepSeek复杂推理才切 Claude。定时拉 API 账单发现异常立即排查。8.3 Human-in-the-Loop不该让 Agent 自己做决定的事DANGEROUS_ACTIONS[delete_file,drop_table,send_email_to_all,publish_article]defrequires_approval(action:dict)-bool:ifaction[tool]inDANGEROUS_ACTIONS:returnTrueifestimate_cost(action)0.5:# 预估成本 $0.5returnTruereturnFalse一个真实事件Agent 在测试环境自动 DROP 了一张表因为 LLM 把「清理测试数据」理解成了 DROP TABLE。从那以后所有 DROP/TRUNCATE 操作都加了人工确认。8.4 Agent 输出质量的评估Agent 不像传统代码那么容易测评估维度问题怎么测任务完成率用户需求被满足了吗人工标注 100 个 case工具选择选的工具对吗有没有多调/漏调对比最优调用路径效率步骤数合理吗有没有绕弯路统计平均步骤数安全有没有危险操作敏感操作审计日志成本Token 消耗合理吗监控 API 账单下一篇《LangGraph 入门用状态图构建 Agent》——告别手写循环用声明式的方式定义 Agent 的行为逻辑。系列文章00-总纲 → ①-LLM 原理 → ②-Prompt 工程 → ③-Function Calling → ④-RAG → ⑤-Agent 模式 → ⑥-LangGraph → ⑦-MCP → ⑧-Multi-Agent