推理与控制模式

​

概要

推理与控制模式定义了一个智能体如何在思考、行动和停止之间切换。它们更关注系统如何随时间组织决策，而不是模型本身有多智能。

​

为什么这很重要

两个接入同一模型和工具的智能体，可能会因为控制模式不同而表现得非常不一样。一个可能高效搜索，另一个则可能循环、产生幻觉，或者在错误的时间调用错误的工具。 因此，模式选择会影响：

• 行动质量
• 可解释性
• 成本和延迟
• 恢复行为

​

心智模型

导入的参考材料使用 ReAct 作为最清晰的基线。它的核心思想很简单：

• 思考当前状态
• 执行一个动作
• 观察结果
• 重复

这种设计之所以强大，是因为推理和行动会彼此纠正。它在系统需要外部信息或工具执行才能继续时尤其有用。 更广泛的结论是，控制模式定义了推理发生在什么位置：

• 在行动之前
• 在行动之间
• 在失败之后
• 或在明确的停止点

​

架构图

​

工具格局

常见的推理与控制模式包括：

• 逐步思考-行动-观察循环，适用于开放式工具使用
• 带保护的工具选择，其中动作受到狭窄接口的约束
• 明确的停止或交接规则，防止无限循环
• 可追踪的推理表面，暴露足够的中间状态以调试决策，而不必把每个 token 都强制纳入最终答案

关键的设计选择不是要不要展示 chain-of-thought，而是系统是否拥有足够的内部控制结构，能够让行动保持目的性，并在证据变化时恢复。

​

权衡

• 逐步循环具有适应性，但比直接执行更慢，而且如果没有强有力的停止条件，可能会偏离。
• 高可解释性的控制表面更易于调试，但也可能显得冗长且成本更高。
• 窄工具表面可以减少错误，但也可能限制灵活性。
• 丰富的中间推理可以改善决策，但前提是系统能够让这些推理与实际任务保持一致。

有用的默认策略：

• 当工具反馈会改变下一个最佳动作时，优先使用逐步控制
• 在增加更多工具广度之前，先添加明确的停止条件
• 保持控制循环足够可检查，以便调试，即使最终产品会隐藏其中大部分内部机制

​

引用

• 来源输入：Chapter 4 Building Classic Agent Paradigms
• 来源输入：Hello-Agents reference boundary

​

延伸阅读

• Planning And Reflection
• Protocols And Interoperability
• Patterns Overview

​

更新日志

• 2026-04-21：基于导入的参考材料和实验室重写规则的首次仓库原生草稿。