自定义AI代理的5种工作模式，一次讲清楚

如果你在使用 Claude Code 或 Codex，那你已经在使用智能体了。但如果你想搭建自己的智能体，除了选择模型和工具外，你还必须决定它要如何工作。

为此，现在有多种不同的架构模式。我会用同一个案例来讲解 5 种：搭建一个规划旅行的智能体。

1）ReAct → 决策、行动和观察。选择一个动作，使用工具，把得到的结果作为信息来决定下一步如何进行。例如：搜索航班，如果价格太贵，就换其他日期试试。

2）计划-执行（Plan-and-Execute）→ 先做计划再执行。在执行前把目标拆分成多个步骤，还可以根据结果调整计划。例如：先确定交通、住宿和活动的解决方案，然后再逐个处理每个部分。

3）反思（Reflexion）→ 利用之前的尝试。分析一次尝试的结果，并保存反思结论来指导下一次尝试，这里会用到记忆。例如：记录下上次转移预留时间太短，在重新规划行程时就会把这点考虑进去。

4）评估者-优化者（Evaluator-Optimizer）→ 生成、评估和修正。一次调用模型生成方案，再由另一次调用按照定义好的标准审核方案，得到的反馈会用来优化方案。例如：生成行程后，发现它超出预算，然后进行调整。

5）协调者-工人（Orchestrator-Workers）→ 拆分和委派。一个协调者决定需要完成哪些子任务，把它们委派给其他智能体，再汇总结果。例如：根据旅行需求，分配航班搜索、住宿搜索或入境要求查询的任务。

要怎么实现这些模式呢？用代码来组织对模型的调用、工具和保存的信息。像 OpenAI 的 SDK 就提供了基础组件，你只需要定义工作流就行。你还可以组合使用这些模式：用计划-执行做计划，用 ReAct 执行每一步，再用评估者-优化者检查并修正结果。