Week 23 复习——5 种 Agent 模式总结与决策树

日期: 2026-10-03 方向: AI系统工程 / Agent 阶段: Phase 3 - Agent架构与多Agent (Day 149-162) 标签: #Review #AgentPatterns #DecisionTree #AntiPatterns

---

今日目标

---

一、本周学到了什么

---

二、5 种核心 agent 模式（重新组织）

把 Anthropic 5+1 pattern 与本周代码对应：

模式 1: Workflow（非 agent）

定义：LLM + 代码 if/else 编排，没有 LLM 自主决定下一步。 子类：Prompt chaining / Routing / Parallelization / Evaluator-optimizer。 何时用：步骤明确、失败成本低、需要可预测。

# 例: 信贷审批 workflow
def credit_workflow(application):
    docs = parse_docs(application)               # tool
    summary = llm_summarize(docs)                # LLM
    risk = llm_classify(summary, schema=RISK)    # LLM, structured
    if risk == "HIGH":
        return escalate_to_human(summary, risk)
    decision = llm_decide(summary, rules=POLICY) # LLM
    return decision

模式 2: ReAct Agent（Day 150）

定义：单 LLM + tools + loop（Thought → Act → Observe）。 判定信号：探索式任务、tool 集合明确、步骤数 ≤ 10。 典型代码：react.py + tools.py。

模式 3: Plan-Execute Agent（Day 151）

定义：Planner LLM + Executor LLM + Synthesizer LLM。 判定信号：长任务（5+ steps）、可分解、有 DAG 依赖、希望 model-route 省钱。 典型代码：plan_agent.py。

模式 4: Multi-Agent（Day 154 + 159）

定义：N≥2 个 agent，各有不同 role，通过通信协议协作。 子类：双 agent 对话 / Hierarchical / Sequential / Network。 判定信号：角色冲突明显、需要 different perspectives、单 agent 易陷入 echo chamber。

模式 5: MCP-Based Agent（Day 153）

定义：客户端 agent + 1+ MCP servers。Tools/resources/prompts 通过协议解耦。 判定信号：跨厂商互通、希望工具复用、企业级权限隔离。 典型代码：mcp_server.py + Claude Desktop 配置。

注意：MCP-based 不与 ReAct/Plan-Execute 互斥。一个 ReAct agent 完全可以通过 MCP 拿 tools。MCP 是"工具来源"维度，ReAct 是"loop 模式"维度。

---

三、决策树（新建项目时怎么选）

┌────────────────────────────────────────────────┐
│  Q1: 任务步骤可预先列出且固定吗？               │
└────────────────┬───────────────────────────────┘
                 │
        ┌────────┴────────┐
        │                 │
    Yes ▼               No ▼
   ┌──────────┐    ┌────────────────────────────┐
   │ Workflow │    │ Q2: 任务步骤数 vs 探索性?  │
   │          │    └─────┬──────────────────────┘
   │ • prompt │          │
   │   chain  │   ┌──────┴──────┐
   │ • routing│   │             │
   │ • parallel│ ≤3, 探索式    长 + 可分解
   │ • eval-  │ ▼              ▼
   │   opt    │┌──────────┐  ┌──────────────┐
   └──────────┘│  ReAct   │  │ Plan-Execute │
              │  Agent   │  │              │
              └──────────┘  └──────────────┘
                                  │
                                  │ 有多个差异化角色?
                                  ▼
                              ┌────────────────┐
                              │ Multi-Agent    │
                              │ (hierarchical /│
                              │  sequential /  │
                              │  network)      │
                              └────────────────┘

  另一维度（与上述正交）:
  Q3: 需要跨客户端复用工具 / 多 MCP server?
       Yes → 把工具层换成 MCP（Day 153）
       No  → 工具内嵌在 agent 代码里

---

四、判定信号 cheat sheet

---

五、典型反例（哪些场景反而不该上 agent）

反例 1: 实时风控

为什么：要求 < 100ms 决策，agent loop 30s。 应该：纯 ML 模型 + 规则引擎；LLM 只用来做事后归因解释。

反例 2: 高频交易

为什么：μs 级敏感，LLM 慢且不确定。 应该：纯量化代码。LLM 只给 strategy idea，不参与实时决策。

反例 3: 已知 SOP 的报送

为什么：步骤完全固定，agent 增加变数和成本。 应该：Workflow + LLM 用来填模板/抽取字段。

反例 4: 简单 FAQ

为什么：单轮 RAG 就够，没必要 agent loop。 应该：RAG + 单次 LLM。

反例 5: 用户确认型操作（"删账户吗？"）

为什么：deterministic UI flow 更安全。 应该：Workflow + 显式 confirmation modal。

反例 6: 数学计算

为什么：LLM 算术不可靠。 应该：LLM → tool（calculator）→ LLM 解读。本质是 workflow。

---

六、agent_patterns.md 内容大纲

这部分是今天的产出文档大纲，可作为团队 onboarding 文档。

# Agent Patterns at [Company] — 内部决策手册

## 1. 词汇统一
- Workflow / ReAct / Plan-Execute / Multi-Agent / MCP

## 2. 决策树（见上）

## 3. 每种模式的标准结构 + 代码骨架

### 3.1 Workflow
- when to use
- 代码模板（routing example）
- 监控指标

### 3.2 ReAct
- when to use
- 代码模板（来自 Day 150）
- 监控指标（iter count, tool err rate）

### 3.3 Plan-Execute
- when to use
- 代码模板（来自 Day 151）
- 监控指标（plan length, replan rate）

### 3.4 Multi-Agent
- when to use
- 代码模板
- 监控（rounds, role collapse）

### 3.5 MCP layer
- when to integrate
- 配置示例

## 4. 反例集
（见上）

## 5. 评估清单
- ✅ Token cost / run
- ✅ Latency p50/p95
- ✅ Accuracy on golden set
- ✅ Tool error rate
- ✅ Human override rate

## 6. Postmortem 模板
当 agent 在生产出问题，按这个结构调查

---

七、对比表——5 种模式各项指标

---

八、生产经验集锦（本周再总结）

8.1 普适经验

1. 永远从 workflow 开始——只有数据证明不够再升级
2. Cost 监控是必须，不是可选
3. 永远有 max_iter / max_rounds / max_cost 三道闸
4. Tool description 是高 ROI 优化点，比改 system prompt 收益大
5. Cache 是 agent 经济性的关键（5-10x 差距）
6. Human-in-the-loop 不是失败信号，是设计

8.2 反模式

1. ❌ 直接上多 agent 框架而没跑过单 agent
2. ❌ Tool description 写一行
3. ❌ 没 cost cap 跑生产
4. ❌ destructive tool 没 confirm
5. ❌ 把 ReAct + Plan-Execute + Multi-Agent 全用上（炫技）
6. ❌ 不区分"失败 retry" vs "失败停止"
7. ❌ 不写 trace 直接发 prod

---

九、Web3 角度——本周复盘

适合 Web3 的模式

Web3 特有约束（每种模式都要叠加）

• 写链动作必须 simulate first
• 用 session keys 限制权限
• destructive 必须 user 签
• 成本含 gas
• 错误含 revert reason

---

十、自我测试题（如果作为面试官，本周内容怎么考）

T1: 给定一个业务需求 "我希望 LLM 帮我做日终对账"，应该用什么 agent 模式？为什么？

A: Workflow（步骤固定：取数 → 比对 → 异常列表 → 通知）。LLM 只做"异常归因"环节，不需要 agent loop。

T2: 给定一个业务需求 "客户经理对一个上市公司做尽调"，应该用什么 agent 模式？

A: Plan-Execute 或 Multi-Agent。任务长且可分解（基本面 / 财务 / 治理 / 风险 / 同业）。如果想强化质量加 reviewer agent。

T3: 公司想标准化内部所有 agent 用的工具，应该选什么？

A: MCP。每个业务域一个 server，所有客户端（Claude Desktop / 自建 chat）都接入。权限/audit 集中。

T4: ReAct agent 经常 tool 选错，先怎么排查？

A: ① 先看 tool description 长度和清晰度；② 看 input_schema 是否够严；③ 看 system prompt 是否暗示选 tool 偏好；④ 检查 thinking 内容；⑤ 把不必要的 tool 去掉减少干扰。

T5: Multi-agent 系统跑了几个月，发现 cost 比单 agent 高 5x 但准确率只高 5%，怎么办？

A: ROI 不划算。降级到单 agent + self-reflect。或保留 multi-agent 但只在高价值任务（dollar value > X）启用，低价值任务降级。

---

十一、本周代码索引

关键认知：1760 行 + 14 天 ≈ 一个工程师能掌握的最小 agent stack。再往后是产品化、评估、运维（Day 156+）。

---

十二、对照 Anthropic 5+1 vs 自家代码

看完这张表能解决面试官最常追问："你这个项目里哪些是 agent 哪些是 workflow？"

---

十三、与生产系统的差距清单

本周写的代码距离"能给 1000 用户用"还差什么？

这些是 Day 163-208 的内容预告（Phase 3 后半段会展开 observability / eval automation / production ops）。

---

十四、扩展练习（家庭作业 / 巩固）

1. 改写 react.py 加入 cost guardrail——超过 $0.50 自动停。
2. 给 plan_agent.py 加 DAG-aware parallel execution——独立 step 真正并发。
3. 给 tools.py 写 tool_test.py——每个 tool 至少 3 个 unit test。
4. 写 MCP client——不通过 Claude Desktop，直接 Python mcp.client.stdio 调你的 mcp_server.py。
5. 改 a2a.py 加 evaluator agent——三方对话，evaluator 强制收敛。
6. 设计一个"什么时候上多 agent" SOP 文档给团队用。
7. 跑一遍真实金融案例：从 SEC 拉一份 10-K，跑 ReAct vs Plan-Execute，对比结果质量与成本。

---

十五、复习题集——本周 14 个核心问题

把这些问题的简短答案默写一遍，下次面试不用临时翻笔记：

1. Workflow 与 agent 的本质区别？ 控制流：workflow 由代码决定下一步，agent 由 LLM 决定下一步。

2. Anthropic 5+1 pattern 是哪几种？ Prompt chaining / Routing / Parallelization / Orchestrator-workers / Evaluator-optimizer / Agents。前 5 是 workflow 变体，最后一个才是真 agent。

3. ReAct 为什么比 Act-only 好？ Thought 提供推理空间 + self-correct 余地。HotpotQA 上 +5pp。

4. Plan-Execute 适合什么场景？ 长任务（5+ steps）、可分解、有 DAG 依赖、想 model-route 省钱。

5. Tool description 写多长合适？ 100-200 字含 USE WHEN / DON'T USE FOR / 例子。Sweet spot。

6. MCP 三类原语？ Resources（user 加载数据）/ Prompts（UI 模板）/ Tools（LLM 自主调）。

7. A2A 通信的 4 种范式？ Message passing / Shared state / Orchestrator / Pub-Sub。

8. 多 agent 系统最常见的 bug？ 角色 collapse / 死锁 / token 爆炸 / 状态合并冲突 / prompt injection 横向扩散。

9. Anthropic stop_reason 的 5 个值？ end_turn / tool_use / max_tokens / stop_sequence / pause_turn。

10. prompt caching 能省多少钱？ 重复输入只算 0.1×。系统 prompt + tool schema 可省 80-90% 输入 cost。

11. Tool 错误的三类？ USER_INPUT_ERROR（改参数 retry）/ TRANSIENT（backoff retry）/ FATAL（停止 escalate）。

12. MCP server 的 stdout 污染问题？ 所有日志走 stderr / file，stdout 仅 JSON-RPC。print 任何东西破坏协议。

13. Anthropic 角色 alternation 限制？ messages 必须 user/assistant 严格交替，否则 API 报错。多 agent 转译时要 coalesce。

14. 何时不该上 agent？ 实时风控、HFT、固定 SOP 报送、简单 FAQ、destructive 一锤子操作。

---

十六、本周复习——金融场景对应表

---

十七、Web3 视角的本周复习

链上场景普遍偏好 plan-execute——因为 plan 是可审计的"将要发生的清单"，而 ReAct 的探索式让人不安。

---

十八、本周复盘 self-assessment

打分 1-5：

• 我能不看任何资料、白板默写 ReAct loop 核心代码（target ≥ 4）
• 我能解释 ReAct vs Plan-Execute trade-off（target = 5）
• 我能写一个 tool description，让 LLM 选用率 > 90%（target ≥ 4）
• 我能设计一个 MCP server schema 给团队（target ≥ 4）
• 我能在 30 分钟内说服 PM 不上 agent，应该用 workflow（target = 5）
• 我能识别一段代码哪里是 workflow 哪里是 agent（target = 5）
• 我了解多 agent 系统的 5 种常见 bug 模式（target ≥ 4）

打分低于 4 的项目，回去补 Day 149-154 对应章节。

---

明日预告

Day 156: LangGraph 深度——StateGraph / Conditional Edges / Cycles / Checkpoint

• 把 Day 150 的裸 ReAct 重写成 LangGraph 版本
• StateGraph 的状态合并语义
• checkpoint + human-in-the-loop 的真实用法