AI Agent 的演进
从 ChatGPT 到 AutoGPT，再到如今的 Claude Code 和 Cursor，AI Agent 的能力边界在不断扩展。但真正让 Agent 从"玩具"变成"工具"的，是架构设计的演进。
单体 Agent 架构
最简单的 Agent 架构，适合单一任务场景：
用户输入 → LLM → 工具调用 → 结果返回
↑___↓
循环推理
这种模式适合：代码补全、问答系统、文档生成。
ReAct 模式
ReAct（Reasoning + Acting）是目前最主流的 Agent 模式：
- Reason：LLM 分析问题，决定下一步
- Act：调用工具执行操作
- Observe：获取执行结果
- 循环：基于观察继续推理
async def react_agent(query: str):
context = [{"role": "user", "content": query}]
while not is_complete(context):
response = await llm.chat(context)
action = parse_action(response)
result = await execute_tool(action)
context.append({"role": "tool", "content": result})
return extract_final_answer(context)
多智能体协作
当任务复杂度超过单个 Agent 的能力边界时，多智能体协作模式登场：
Orchestrator 模式
一个主 Agent 负责任务分解和调度：
Orchestrator
├── Research Agent（信息收集）
├── Writer Agent（内容生成）
├── Reviewer Agent（质量审核）
└── Publisher Agent（发布管理）
Peer-to-Peer 模式
多个 Agent 平等协作，通过消息传递协调：
Agent A ←→ Agent B
↕ ↕
Agent C ←→ Agent D
选型建议
| 场景 | 推荐架构 | |------|---------| | 简单问答 | 单体 Agent | | 工具调用 | ReAct | | 复杂工作流 | Orchestrator | | 开放式探索 | P2P + Orchestrator |
总结
选择 Agent 架构，核心原则是匹配任务复杂度。不要过度设计，也不要低估问题规模。从最简单的方案开始，随着需求增长逐步演进。