【学习笔记】Agentic Design Patterns 系列总览：Agent 设计模式的 21 种模式全景图
整理日期：2026-07-01 涵盖范围：Agent 设计模式全图、本书 4 大 Part / 21 章 / 7 附录结构、Andrew Ng 四模式映射、Anthropic 工作流对照、选型决策、系列导航索引 说明：本系列笔记主要基于 Antonio Gulli 著《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》（官方仓库
evoiz/Agentic-Design-Patterns，含 424 页完整 PDF + 每章 Jupyter notebook），交叉核实中文翻译版xindoo/agentic-design-patterns（截至发稿仍为「pending review」状态，故引用细节标注「（未确认）」处请以英文原书为准）与双语版ningg/Agentic-Design-Patterns-CN，并对照 Andrew Ng 的四模式系列与 Anthropic 的「Building Effective Agents」一文。术语遵循：本文用「模式」一词指代 design pattern。本文是系列导航枢纽，文末「七、系列导航索引」可跳转到各分篇。
一、核心结论（太长不看）
- 「Agent 设计模式」不是一个玄学概念，而是一套可复用的工程脚手架：把 LLM 从「一次性提问、一次性回答」变成「能拆任务、能反思、能用工具、能与其他 Agent 协作」的系统。Antonio Gulli 在《Agentic Design Patterns》里把它们归纳成 21 种核心模式 + 7 篇附录，按「核心 → 高级 → 生产 → 企业」四层递进。
- 核心心智模型只有一句话——「谁在掌舵」：Anthropic 给出最被广泛引用的判据——Workflow（工作流）是开发者预先用代码编排好的固定路径；Agent 是 LLM 自己动态决定下一步走哪、用什么工具。所谓「设计模式」，就是介于「单次 LLM 调用」和「完全自治 Agent」之间那一整片中间地带的标准做法。
- 三股力量在收敛：本书的 21 模式、Andrew Ng 的 4 模式（Reflection / Tool Use / Planning / Multi-Agent）、Anthropic 的 5 工作流（Prompt Chaining / Routing / Parallelization / Orchestrator-Workers / Evaluator-Optimizer）——三者高度重叠又互为补充。看懂这三者的对应关系（见第六节），就掌握了这套领域的话语体系。
- 最重要的工程直觉是「能简单就别复杂」：Anthropic 反复强调「先找最简单的方案，不够了再加复杂度」；本书的 Planning 章也直言「当解法已经明确且可重复时，把 Agent 限制在固定工作流里更高效」。多 Agent + MCP + Reflection 的堆叠带来的不只是能力，还有延迟、成本和新的失败面。
- 当前最值得重点关注的几条线：工业层面，MCP（工具互联标准）、A2A（Agent 间通信标准）、RAG/GraphRAG/Agentic RAG（知识接地）、推理模型与 Deep Research（推理扩展定律）、Coding Agent（最高频商业落地） 是 2025–2026 的主战场。
来源：Anthropic, Building Effective Agents · Andrew Ng, Agentic Design Patterns Part 1 · evoiz/Agentic-Design-Patterns 仓库
二、先厘清一个根本问题：什么才叫「Agent」？
这个词在 2024–2026 被用得很滥。所幸业界有三股相对收敛的界定，抓住这条主线即可。
2.1 最被引用的一刀：Anthropic 的「Workflow vs Agent」
Anthropic 在 2024 年 12 月的《Building Effective Agents》里把所有「用 LLM 完成任务」的系统统称为 agentic systems，然后画了一条架构分界线：
| Workflow（工作流） | Agent（智能体） | |
|---|---|---|
| 谁决定流程 | 开发者用预定义的代码路径编排 LLM 和工具 | LLM 自己动态决定流程和工具用法 |
| 特点 | 可预测、一致，适合任务定义明确的场景 | 灵活、模型驱动决策，适合开放/多变任务 |
| 代价 | 灵活性有限 | 用延迟和成本换更高任务表现 |
| 最朴素描述 | — | Anthropic 原话：「Agent 通常就是在循环里、基于环境反馈使用工具的 LLM」 |
一句话总结这条判据：agency 的本质是「谁拥有控制循环」——单次 LLM 调用没有循环；workflow 把循环硬编码；agent 自己掌舵循环（感知状态 → 选下一步动作/工具 → 直到目标达成或触发停止条件）。
2.2 2025 共识：自治 + 目标导向 + 环境交互
2025 年的文献不再执着于单一定义，而是收敛到一组属性簇：
- 自治（Autonomy）：能在较长时间内、较少人工干预下独立运行。
- 目标导向（Goal-directedness）：被给的是一个目标而非脚本，要自己拆解成多步推理与动作。
- 环境交互（Environment interaction）：感知一个环境（工具、API、数字/物理世界）并在其中行动。
- 控制循环（Control loop）：感知 → 决策 → 行动 的循环，常带自我纠错与规划。
一个代表性的 practitioner 定义：「AI Agent 是一个为达成特定目标、能感知环境、做出决策并采取行动的自治系统。」 学术上，Sapkota 等人 2025 年的综述进一步把「AI Agent（任务级模块化自动化）」与「Agentic AI（带多 Agent 协作、动态任务分解、持久记忆的范式跃迁）」做了分层。
⚠️ 没有唯一公认定义——这本身就是一个可引用的事实。
来源：Sapkota et al., AI Agents vs. Agentic AI (arXiv
.10468) · Center for AI Policy — Governing Autonomy · MIT 2025 AI Agent Index
2.3 一个有用的渐进光谱
与其纠结二元划分，不如把系统看成一个自治度阶梯：chatbot（单轮、被动）→ workflow（开发者编排）→ agentic workflow（LLM 在结构化流程内决策）→ agent（给目标，自己搞定工具/步骤/自适应）。本文（和本书）讨论的「设计模式」，主要分布在这条阶梯的中后段。
三、为什么需要「设计模式」：GPT-3.5 套个循环就打败 GPT-4
理解 Agent 设计模式的价值，最好的入口是 Andrew Ng 2024 年 3 月在 Sequoia AI Ascent 那场演讲里给出的著名数据点（HumanEval 编程基准）：
| 配置 | 正确率 |
|---|---|
| GPT-3.5（zero-shot） | 48.1% |
| GPT-4（zero-shot） | 67.0% |
| GPT-3.5（套进 Agent 循环后） | 最高 95.1% |
Ng 的原话：「从 GPT-3.5 到 GPT-4 的提升，被引入迭代式 Agent 工作流带来的提升彻底盖过。」 他的核心论点——Agent 工作流带来的进步，今年可能比下一代基础模型还大——正是「设计模式」之所以重要的根本理由：我们今天大多在用 LLM 的 zero-shot 模式，就像要求一个人「从头到尾一口气写完一篇文章、不许回退修改」。Agent 模式让 LLM 学会迭代。
但「让 LLM 迭代」有很多种做法，而且各有陷阱。这就是「设计模式」要解决的问题——把已经验证有效的 Agent 编排方式沉淀成可复用的模式，而不是每次从零摸索。
来源：Andrew Ng, Four AI Agent Strategies That Improve GPT-4 and GPT-3.5 Performance · Sequoia AI Ascent 演讲（YouTube）
四、本书结构：4 大 Part × 21 模式 + 7 附录
Antonio Gulli 这本书（424 页）按「从简单到复杂、从原理到生产」组织成 4 大部分。这个分层本身就是一条学习路线：先掌握确定性工作流原语（Part One 前 3 章），再学让系统真正「智能」的四大模式（Part One 后 4 章），然后补上状态/记忆/互联等基础设施（Part Two），最后才谈生产可靠性与企业规模（Part Three/Four）。
| Part | 主题 | 章节 | 页数（约，未确认） | 一句话定位 |
|---|---|---|---|---|
| Part One | Core Patterns 核心模式 | Ch 1–7 | ~103 | 最基础的「积木」：3 个确定性工作流原语 + Andrew Ng 四模式 |
| Part Two | Advanced Patterns 高级模式 | Ch 8–11 | ~61 | 让 Agent 有「记忆、学习、互联、目标」的基础设施 |
| Part Three | Production Patterns 生产模式 | Ch 12–14 | ~34 | 上生产前的「可靠性三件套」：异常恢复、人在回路、知识接地 |
| Part Four | Enterprise Patterns 企业模式 | Ch 15–21 | ~114 | 规模化、安全与运维：Agent 互联、资源优化、推理、护栏、评测、调度、探索 |
附录 A–G（~74 页）是参考资料向：高级提示工程、从 GUI 到真实环境、框架概览、AgentSpace、CLI Agent、推理引擎内幕、Coding Agent。
说明：页数为仓库 README 自报，未能独立核验，标注「（约）」。Part Four 在 evoiz 官方称「Enterprise Patterns」，双语版 ningg 仓库称「Multi-Agent Architectures」，二者指同一批章节（其中只有 Ch 15 严格属多 Agent，故「Enterprise Patterns」更准确）。
来源：evoiz 仓库 README · ningg 双语版
五、21 模式速查总表
下表是全文的索引——每个模式配一句话定义、解决什么问题、对应分篇。先看这张表建立全局印象，再按需跳到分篇细读。
| # | 模式 | 一句话定义 | 解决什么 | 所属 Part | 分篇 |
|---|---|---|---|---|---|
| 1 | Prompt Chaining | 把任务拆成一串串行 LLM 步骤，前一步输出喂给下一步 | 单大 prompt 的指令忽视/上下文漂移/幻觉 | One | #1 核心组合 |
| 2 | Routing | 先分类输入，再路由到专门的子流程/工具/Agent | 不同输入该走不同处理 | One | #1 核心组合 |
| 3 | Parallelization | 并发跑多个互不依赖的步骤再汇总（含投票） | 串行太慢；要多视角提置信 | One | #1 核心组合 |
| 4 | Reflection | 让 Agent 评估并迭代改进自己的输出 | 单次生成质量不稳 | One | #2 推理四模式 |
| 5 | Tool Use / Function Calling | 让 Agent 调外部 API/数据库/代码 | 受限于训练数据的静态知识 | One | #2 推理四模式 |
| 6 | Planning | 让 Agent 自己规划并动态调整行动序列 | 复杂目标无法预设固定流程 | One | #2 推理四模式 |
| 7 | Multi-Agent Collaboration | 多个专职 Agent 分工协作达成共同目标 | 单 Agent 搞不定跨域复杂任务 | One | #2 推理四模式 |
| 8 | Memory Management | 短期上下文记忆 + 长期持久化记忆（向量库） | 跨轮/跨会话信息会丢 | Two | #3 高级模式 |
| 9 | Learning & Adaptation | Agent 根据经验数据自适应改进（RL/DPO/自改代码） | 行为写死后无法越用越聪明 | Two | #3 高级模式 |
| 10 | Model Context Protocol (MCP) | 标准化「万能插座」，让任意 LLM 接任意工具/数据 | 工具集成碎片化、不互通 | Two | #3 高级模式 |
| 11 | Goal Setting & Monitoring | 给 Agent 明确目标 + 进度跟踪 + 成功判定 | 缺目标与自我管理则无法自治 | Two | #3 高级模式 |
| 12 | Exception Handling & Recovery | 主动检测失败、缓解、恢复到稳定态 | 真实环境必然有网络/数据异常 | Three | #4 生产模式 |
| 13 | Human-in-the-Loop (HITL) | 在关键节点插入人的判断/审批/反馈 | 高风险场景完全自治不安全 | Three | #4 生产模式 |
| 14 | Knowledge Retrieval (RAG) | 检索外部知识片段拼进 prompt 再生成 | LLM 知识静态、易幻觉 | Three | #4 生产模式 |
| 15 | Inter-Agent Communication (A2A) | 标准化协议让不同框架的 Agent 互通任务 | 跨框架 Agent 无法协作 | Four | #5 企业模式 |
| 16 | Resource-Aware Optimization | 按复杂度动态选模型/工具，控成本 | 一律用最强模型太贵太慢 | Four | #5 企业模式 |
| 17 | Reasoning Techniques | CoT/ToT/ReAct/RLVR 等显式多步推理 | 复杂问题一步答不对 | Four | #5 企业模式 |
| 18 | Guardrails / Safety | 输入校验/输出过滤/行为约束/护栏的多层防御 | 无约束自治会出有害/被攻击输出 | Four | #5 企业模式 |
| 19 | Evaluation & Monitoring | 持续度量 Agent 有效性/效率/合规（含轨迹评估） | Agent 概率性、传统测试不够 | Four | #5 企业模式 |
| 20 | Prioritization | 按重要性/紧急度/依赖/成本给任务排序 | 多目标多任务下资源有限 | Four | #5 企业模式 |
| 21 | Exploration & Discovery | 主动探索、发现「未知的未知」 | 预设静态知识不足以创新 | Four | #5 企业模式 |
六、跨来源对照：本书 × Andrew Ng × Anthropic
这三套来源是 Agent 设计模式领域被引用最多的「话语体系」。它们高度重叠又各有侧重，搞清楚对应关系，读任何一篇相关文章都不会迷路。
6.1 三来源定位差异
| 来源 | 时间 | 侧重点 | 数量 |
|---|---|---|---|
| Andrew Ng | 2024-03 | 强调「迭代工作流」比换更强模型更值钱；面向能驱动进步的少数关键模式 | 4 模式 |
| Anthropic | 2024-12 | 工程实战导向；区分 workflow/agent；强调最简方案优先 | 5 工作流 + agent 循环 |
| 本书（Gulli） | 2025–2026 | 最全面系统；从核心积木一路覆盖到企业运维与科研前沿 | 21 模式 + 7 附录 |
6.2 模式级对应表
| 本书模式 | Andrew Ng 四模式？ | Anthropic 框架？ | 关系说明 |
|---|---|---|---|
| 1 Prompt Chaining | — | Workflow: Prompt chaining | 完全对应 |
| 2 Routing | — | Workflow: Routing | 完全对应 |
| 3 Parallelization | — | Workflow: Parallelization（含 Sectioning/Voting 两变体） | 完全对应 |
| 4 Reflection | ✅ Reflection | Workflow: Evaluator-Optimizer | 同一模式不同名（本书叫 Producer–Reviewer） |
| 5 Tool Use | ✅ Tool Use | 增强型 LLM 的核心能力 / agent 的基石 | 对应 |
| 6 Planning | ✅ Planning | 归入「Agent」+ Orchestrator-Workers | Anthropic 不单列 Planning |
| 7 Multi-Agent | ✅ Multi-Agent | 「Agent」/ Orchestrator-Workers | Anthropic 不单列 Multi-Agent |
| 8–11 Memory/Learning/MCP/Goal | — | 基础设施层（增强型 LLM 的 retrieval/tools/memory） | 本书更细 |
| 12–14 异常/HITL/RAG | — | 生产可靠性（HITL、RAG 散见其附录） | 本书更系统 |
| 15–21 A2A 等 | — | 企业规模与运维 | 本书独有的大块 |
来源：Andrew Ng 四模式系列 · Anthropic, Building Effective Agents · evoiz/Agentic-Design-Patterns
6.3 一个易混点：Andrew Ng 的「成熟度排序」
Ng 多次表态：Reflection 与 Tool Use 在生产里已经相当可靠；Planning 与 Multi-Agent「很强大但不那么成熟、更难预测」。这个排序对选型很有参考价值——别一上来就堆 Planning + Multi-Agent，先用 Reflection/Tool Use 落地。
七、按用途选型决策表
带着具体问题来时，先定位「你要解决的属哪一类」，再跳对应分篇。
| 你的诉求 | 推荐先看的模式 | 跳转分篇 |
|---|---|---|
| 任务能拆成固定几步串行，但单次 LLM 总做不好 | Prompt Chaining（必要时加 Routing 分流） | #1 核心组合 |
| 不同输入该走不同处理（客服分流、简单/复杂分流） | Routing | #1 核心组合 |
| 要快、或多视角投票提置信 | Parallelization | #1 核心组合 |
| 想让输出质量更高、能自我纠错 | Reflection（Producer–Reviewer） | #2 推理四模式 |
| Agent 要查实时数据/调 API/执行代码 | Tool Use / Function Calling | #2 推理四模式 |
| 目标复杂、步骤无法预设 | Planning（但先问「解法是否已知」，已知则退回工作流） | #2 推理四模式 |
| 单 Agent 搞不定、要分工 | Multi-Agent Collaboration | #2 推理四模式 |
| 要跨轮/跨会话记住信息 | Memory Management | #3 高级模式 |
| 要统一接一堆工具/数据源 | MCP | #3 高级模式 |
| 要让 Agent 有目标、能自评 | Goal Setting & Monitoring | #3 高级模式 |
| Agent 一报错就崩 | Exception Handling & Recovery | #4 生产模式 |
| 高风险场景要人审一道 | Human-in-the-Loop | #4 生产模式 |
| 要基于私有/实时知识回答 | RAG（含 GraphRAG / Agentic RAG） | #4 生产模式 |
| 要让不同框架的 Agent 互通 | A2A（配合 MCP） | #5 企业模式 |
| 要降本、按难度选模型 | Resource-Aware Optimization | #5 企业模式 |
| 要更强推理、做 Deep Research | Reasoning Techniques | #5 企业模式 |
| 要防 prompt 注入/越狱/有害输出 | Guardrails / Safety | #5 企业模式 |
| 要持续度量 Agent 表现 | Evaluation & Monitoring | #5 企业模式 |
| 想了解提示工程 / 框架选型 / CLI 与 Coding Agent | 附录 A–G | #6 附录 |
一句话总原则：永远先问「这是 workflow 还是 agent 问题」——解法已知就用最简单的工作流，解法未知才上 Planning/Agent；每多加一层模式，都要为它带来的延迟、成本和失败面买单。
八、系列导航索引
本系列共 7 篇（含本总览）。建议阅读顺序：先读本篇建立全局，再按 Part 顺序读分篇。
| # | 标题 | 覆盖 | 链接 |
|---|---|---|---|
| 0 | 系列总览（本文） | 全景图 + 跨来源对照 + 选型决策 + 导航 | 本文 |
| 1 | 核心组合模式 | Ch 1–3：Prompt Chaining、Routing、Parallelization | 《Agentic 设计模式（一）：Prompt Chaining / Routing / Parallelization》 |
| 2 | 推理四模式 | Ch 4–7：Reflection、Tool Use、Planning、Multi-Agent（Andrew Ng 经典四模式） | 《Agentic 设计模式（二）：Reflection / Tool Use / Planning / Multi-Agent》 |
| 3 | 高级模式 | Ch 8–11：Memory、Learning & Adaptation、MCP、Goal Setting | 《Agentic 设计模式（三）：Memory / Learning / MCP / Goal Setting》 |
| 4 | 生产模式 | Ch 12–14：Exception Handling、Human-in-the-Loop、RAG | 《Agentic 设计模式（四）：异常恢复 / 人在回路 / RAG》 |
| 5 | 企业模式 | Ch 15–21：A2A、Resource Optimization、Reasoning、Guardrails、Evaluation、Prioritization、Exploration | 《Agentic 设计模式（五）：A2A / Resource / Reasoning / Guardrails / Eval / Prioritization / Exploration》 |
| 6 | 附录参考 | 附录 A–G：高级提示、GUI→真实环境、框架概览、AgentSpace、CLI、推理引擎内幕、Coding Agent | 《Agentic 设计模式（六）：附录 A–G 速览》 |
九、参考资料
原书与仓库
- evoiz/Agentic-Design-Patterns（官方仓库，含完整 PDF + notebook） · README（目录结构）
- xindoo/agentic-design-patterns（中文翻译版，仍 pending review） · 在线阅读
- ningg/Agentic-Design-Patterns-CN（双语批注版）
Andrew Ng 四模式系列
- Part 1：四模式总览与 GPT-3.5/GPT-4 基准
- Part 2：Reflection · Part 3：Tool Use · Part 4：Planning · Part 5：Multi-Agent Collaboration
- Sequoia AI Ascent 演讲（YouTube）
Anthropic
Agent 定义与分类
- Sapkota et al., AI Agents vs. Agentic AI: A Conceptual Taxonomy (arXiv.10468)
- Prompting Guide: AI Workflows vs. AI Agents · MIT 2025 AI Agent Index
姊妹篇