"智能体设计模式"听起来很深奥，其实就是 10 种让 AI 变聪明的"武功套路"。Google 2025 年底出版的《Agentic Design Patterns》把它们整理成体系，今天花 5 分钟把它浓缩成一张速查表。
一、提示链（Prompt Chaining）
核心思路
把复杂任务拆成一步步小任务，让 AI 按顺序执行。每一步只专心做一件事，错误率会大幅下降。
适用场景
用户说"写一篇 5000 字博客"，AI 自动拆成"列大纲 → 写第一部分 → 写第二部分 → 合并"。
代码示例（LangChain）
from langchain.chains import LLMChain, SequentialChain
chain1 = LLMChain(llm=llm, prompt=outline_prompt, output_key="outline")
chain2 = LLMChain(llm=llm, prompt=write_prompt, output_key="content")
overall = SequentialChain(chains=[chain1, chain2], input_variables=["topic"], output_variables=["content"])二、反思（Reflection）
核心思路
让 AI 做完任务后"再检查一遍哪里错了"，多回合迭代直到质量达标。
适用场景
代码生成 → 自检 → 发现 bug → 修复 → 再检查 → 通过。AI 输出不是终点，给自己留个"审查关卡"。
代码示例（伪代码）
def reflective_codegen(task):
draft = llm.generate_code(task)
review = llm.review_code(draft)
while review.has_issues():
draft = llm.fix_code(draft, review.issues)
review = llm.review_code(draft)
return draft三、工具使用（Tool Use）
核心思路
让 AI 能调用外部工具——搜索、API、计算器、数据库，想调就调。
适用场景
用户问"上海今天天气"，AI 调天气 API → 返回实时结果。没有工具的 LLM 只能"瞎猜"。
代码示例（OpenAI Function Calling）
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的天气",
"parameters": {"type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]}
}
}]
response = openai.chat.completions.create(model="gpt-4o", messages=[{"role": "user", "content": "上海今天天气"}], tools=tools)四、规划（Planning）
核心思路
AI 学会自己列计划，而不是一问一答。先想清楚做什么，再动手。
适用场景
用户说"帮我准备明天的发布会"，AI 自动列计划："确认嘉宾 → 发邀请 → 订场地 → 备物料 → 测设备"。
代码示例（LangGraph）
from langgraph.graph import StateGraph
workflow = StateGraph(PlannerState)
workflow.add_node("decompose", decompose_task)
workflow.add_node("execute", execute_step)
workflow.add_node("verify", verify_result)
workflow.add_edge("decompose", "execute")
workflow.add_edge("execute", "verify")五、多智能体协作（Multi-Agent）
核心思路
多个 AI 协同工作，每人负责一块，互相通信。像一支虚拟团队。
适用场景
3 个 AI 分别做运营、财务、客服，运营 AI 收到订单后自动通知财务 AI 记账。
实战案例
OpenClaw 内置 12 个专家 Agent（内容 / 设计 / 数据 / 运营 / 法务 / 财务），通过统一消息总线协作。
代码示例（CrewAI）
from crewai import Agent, Crew, Task
researcher = Agent(role="研究员", goal="收集资料", backstory="资深分析师")
writer = Agent(role="撰稿人", goal="写文章", backstory="专业写手")
task1 = Task(description="收集 AI Agent 趋势", agent=researcher)
task2 = Task(description="基于资料写文章", agent=writer)
crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
result = crew.kickoff()六、记忆管理（Memory Management）
核心思路
AI 有"长期记忆"，能跨对话记住信息，不用每次都从零开始。
适用场景
用户上次说要避开过敏食材（花生），下次点餐 AI 自动避开。
实现方式
短期记忆用对话上下文窗口，长期记忆写入向量数据库（如 Chroma / Pinecone），每次对话前先检索相关历史。
七、RAG（检索增强生成）
核心思路
AI 回答前先查知识库，而不是凭"训练记忆"瞎答。
适用场景
客服 AI 收到"产品保修期多久" → 先查产品手册 → 基于手册内容回答。
代码示例（基础流程）
def rag_query(question):
docs = vector_db.search(question, top_k=5)
context = "\n".join([d.content for d in docs])
prompt = f"基于以下资料回答：\n{context}\n\n问题：{question}"
return llm.generate(prompt)八、MCP（Model Context Protocol）
核心思路
AI 与外部工具的"通用接口标准"，由 Anthropic 2024 年底提出。一个 AI 能接各种工具，不需要每个工具都单独开发适配器。
适用场景
同一个 AI 通过 MCP 协议，可同时接入 GitHub / Slack / 数据库 / 本地文件系统，不用为每个工具写胶水代码。
价值
- 工具开发者：写一次 MCP Server，所有兼容 MCP 的 AI 都能用
- AI 开发者：一套协议接所有工具，不用重复造轮子
九、目标监控（Goal Monitoring）
核心思路
AI 持续追踪目标进度，主动报警，而不是等你来问。
适用场景
每天监控"本月销量目标达成率"，低于阈值自动预警并推送通知给负责人。
实现要点
- 设定目标（如"月底达成 100 万销售额"）
- 定期采集数据（每日销售额）
- 对比目标与实际
- 偏差超阈值 → 触发预警
十、推理技术（Reasoning Techniques）
核心思路
让 AI 像人一样"分步骤思考"，而不是直接给答案。
适用场景
数学题 → "已知条件 → 解题步骤 → 验证答案"；复杂决策 → "列选项 → 评利弊 → 给推荐"。
主流方法
- Chain-of-Thought（思维链）：引导 AI 输出推理过程
- Tree-of-Thought（思维树）：探索多条推理路径，选最优
- ReAct：推理 + 行动交替进行
代码示例（Chain-of-Thought Prompt）
prompt = """
请一步步推理：
问题：一个水果店有 15 个苹果，卖掉 8 个，又进了 12 个，现在有几个？
步骤：
1. 初始数量
2. 卖出的数量
3. 新进的数量
4. 最终计算
"""配套工具推荐
如果你想实际用起来这些设计模式，以下工具生态最成熟：
- LangChain：最流行，几乎所有模式都有实现
- LangGraph：LangChain 之上，支持循环和分支
- Google ADK：Google 出品，与 Gemini 深度集成
- CrewAI：多智能体协作，少量代码搭团队
- OpenClaw：内置 12 个专家 Agent，开箱即用
十一、电商落地实战案例
理论再多不如看真实场景。下面三个电商案例来自一线团队实战，展示了 10 大模式如何组合使用。每个案例都给出了「用到了哪些模式 + 关键代码片段 + 落地踩坑」三件套。
11.1 电商客服工单 Agent（提示链 + 记忆 + RAG 组合）
聚水潭客服团队每天要处理 2000+ 工单，60% 是「我的订单到哪了」「怎么退款」「尺码不对怎么办」这类重复问题。一个工单 Agent 把这些问题拆成 5 步：识别意图 → 查订单 API（工具使用）→ 查知识库（RAG）→ 套用回答模板（提示链）→ 写入用户档案（记忆管理）。
# 核心代码：用 LangChain 组合四种模式
from langchain.chains import SequentialChain
from langchain.agents import Tool
# 工具：查订单（工具使用模式）
order_tool = Tool(name="查订单", func=query_order_api, description="根据订单号查物流状态")
# RAG 工具：查知识库
kb_tool = Tool(name="查知识库", func=query_kb_vector, description="查商品/退换货政策")
# 提示链：5 步串联
chain = SequentialChain(chains=[
intent_chain, # 1. 识别意图
order_chain, # 2. 查订单（调工具）
kb_chain, # 3. 查知识库（RAG）
answer_chain, # 4. 套用模板
memory_chain, # 5. 写入用户档案
])
# 效果：60% 工单自动解决，剩余 40% 转人工时已带完整上下文
踩坑提醒：提示链最容易踩的坑是「步数过多导致 token 爆炸」。建议每步都做「结果压缩」—— 比如订单查询结果只保留「订单号 + 状态 + 预计到达日」，不要把完整 API 返回扔给下一步。
11.2 商品评论自动分析（反思 + 工具使用）
电商运营每周要分析上万条商品评论，提炼「用户最在意的点」「潜在差评风险」「产品改进建议」。一个评论分析 Agent 用「反思」模式让模型对自己的初稿做二次审校，准确率从 72% 提升到 91%。
# 反思模式：先初稿，再自我审校
initial_prompt = "分析以下评论，提炼 3 个核心要点：{comments}"
reflection_prompt = "检查上面提炼的要点：1) 是否遗漏重要信息？2) 是否有过度推断？3) 是否漏掉了负面信号？请输出修正版。"
# 两步循环
draft = llm.invoke(initial_prompt)
final = llm.invoke(reflection_prompt + "\n初稿：" + draft)
# 反思模式让准确率从 72% 升到 91%（GPT-4 实测）
踩坑提醒：反思模式会显著增加 token 消耗（每条评论多调用一次 LLM）。建议设置「置信度阈值」—— 模型自评「高置信」时跳过反思步骤，只在「低置信」时触发。
11.3 聚水潭 ERP 库存预警 Agent（规划 + 多智能体 + 目标监控）
聚水潭 ERP 系统里有 5000+ SKU，每小时要监控「库存低于安全线」「动销异常」「补货延迟」三类信号。一个多智能体系统把任务拆给 3 个 Agent 协作：
- 监测 Agent（目标监控模式）：每小时扫描 ERP，标记异常 SKU
- 规划 Agent（规划模式）：对异常 SKU 生成补货计划或调拨方案
- 执行 Agent（工具使用模式）：调用 ERP API 执行调拨 / 触发采购单
三个 Agent 通过共享消息队列协作（多智能体模式），整个流程从「人工每天巡检 2 小时」变成「每小时自动巡检 + 关键预警短信通知运营」。
踩坑提醒：多智能体系统的最大坑是「Agent 之间消息循环」—— A 等 B 的结果，B 等 C 的结果，C 又等 A 的结果。建议每个 Agent 都设置「超时熔断」+「死信队列」，避免一个 Agent 卡死拖累整个系统。
┌─────────────────┐
│ 业务需求 │
└────────┬────────┘
│
┌────┼────────────────┬────────────────────┐
▼ ▼ ▼
┌──────────┐ ┌──────────┐ ┌──────────────────┐
│ 单步任务 │ │ 多步任务 │ │ 复杂任务 │
└────┬─────┘ └────┬─────┘ └────────┬─────────┘
▼ ▼ ▼
┌──────────┐ ┌──────────────────┐ ┌────────────────────┐
│ 提示链 │ │ 反思 + 工具使用 │ │ 多智能体 + 记忆 │
│ │ │ │ │ │ + RAG │
│ │ │ ▼ │ │ │ │
│ │ │ 规划 │ │ ▼ │
└────┬─────┘ └────┬─────────────┘ └────────┬───────────┘
│ │ │
└─────────────────┼──────────────────────────┘
▼
┌─────────────────────┐
│ 智能体协同系统 │
└─────────────────────┘
底部 10 大模式：● 提示链 ● 反思 ● 工具使用 ● 规划 ● 多智能体 ● 记忆 ● RAG ● MCP ● 监控 ● 推理
▲ 智能体 10 大设计模式选型决策流程：从「业务需求」出发，按「单步 / 多步 / 复杂任务」三层递进选择模式组合。
十二、十模式选型决策表
面对一个新需求，怎么快速判断该用哪些模式？下表是按「任务复杂度 × 数据依赖 × 协作需求」三维度的快速选型参考：
| 任务特征 | 推荐模式组合 | 典型场景 |
|---|---|---|
| 单步、固定输入输出 | 提示链 | 文本摘要、翻译、改写 |
| 需要查外部数据 | 工具使用 + 提示链 | 天气查询、订单查询、API 调用 |
| 多步且需质量把控 | 提示链 + 反思 + 工具使用 | 评论分析、报告生成、内容审核 |
| 需要长期记忆用户偏好 | 记忆管理 + 提示链 | 个性化推荐、AI 客服、健身教练 Agent |
| 依赖私有文档/数据 | RAG + 提示链 | 企业知识库问答、文档检索助手 |
| 需要连接多个外部工具 | MCP + 工具使用 | IDE 助手、跨系统数据整合 |
| 复杂任务需拆解 | 规划 + 工具使用 | 研究助手、调研报告生成 |
| 需多角色协作 | 多智能体 + 目标监控 | 市场分析团队、产品研发团队 |
| 长流程需异常恢复 | 目标监控 + 反思 + 记忆 | 自动化运维、订单异常处理 |
| 数学、逻辑、代码密集 | 推理技术 + 反思 | 代码生成、数学解题、复杂决策 |
十三、什么时候你用不上这些模式
不是所有场景都需要 Agent。这张速查表里 10 大模式都很强大，但也有「杀鸡用牛刀」的反面场景：
- 固定规则就能搞定的：如「判断订单金额是否满 100 减 10」—— 一个 if-else 就能解决，引入 Agent 反而引入不可预测性
- 实时性要求极高（毫秒级）：Agent 的多步推理天然慢，单次调用 2-5 秒是常态
- 成本极度敏感：每个 Agent 调用都消耗 token，10 步 Agent 调用一次可能花掉 0.5 元
- 合规要求严格的金融/医疗场景：Agent 的「不可解释性」是合规硬伤，能用规则引擎就别用 Agent
- 用户期望确定性答案：如「这个药一天吃几次」—— 用户要的是确定答案，不要 Agent 的「可能/也许」
经验法则：先看能不能用「规则 + 模板」解决，能就不用 Agent；只有当任务需要「理解 + 推理 + 决策」三件套时，Agent 才是合适的选择。
十四、2026 年 Agent 工程化新趋势
Agent 领域每隔 3-6 个月就有新进展。2026 年值得关注的方向：
- MCP 协议成为事实标准：Anthropic 推动的 MCP（Model Context Protocol）正在成为 AI 工具连接的「USB-C 接口」，预计年底会有 100+ 主流工具支持
- Agent 评测基准成熟：SWE-bench、GAIA、WebArena 等基准让 Agent 能力可比、可衡量
- 多模态 Agent 普及：从纯文本 Agent 走向「能看图、能听声音、能操作浏览器」的全模态 Agent
- Agent 安全护栏标准化：随着 Agent 获得工具调用权限，「Agent 是否会发错邮件」「是否会下错订单」成为新风险点
- 小模型 + 模式组合 > 大模型单兵作战：用 GPT-4-mini + 10 个模式组合，在特定任务上往往超过 GPT-4 单次调用
十五、推荐学习路径
如果你刚入门 Agent 开发，建议按以下顺序学习，每步配 1-2 个小项目练手：
- 第 1 周：提示链 + 反思 —— 用 LangChain 写一个「自动改写 + 自审校」的文案优化器
- 第 2 周：工具使用 —— 给 Agent 加 2-3 个真实 API（天气、订单、搜索）
- 第 3 周：RAG —— 用本地文档（PDF/Markdown）搭建一个企业知识库问答
- 第 4 周：记忆管理 —— 实现一个「能记住用户偏好」的个性化助手
- 第 5-6 周：规划 + 多智能体 —— 搭一个能自动调研 + 生成报告的研究助手
- 持续学习：关注 MCP 协议进展，每周看 1-2 个 GitHub 上的 Agent 开源项目
收藏这张速查表，6 周后你会对 Agent 工程化有一个完整的实操体感。
最后
这 10 个模式不是孤立使用的——一个真正"聪明"的智能体会把它们组合起来。
比如：一个电商 AI 客服 = 提示链（拆解问题）+ 工具使用（查订单 API）+ RAG（查产品手册）+ 反思（检查回答质量）+ 记忆管理（记住用户偏好）。
这就是现代 AI 应用开发的"组合拳"。收藏这张速查表，下次做 AI 项目时对照看看，你的系统用上了哪几招？