AI Agent 在执行任务时，常见的 策略范式（strategy paradigms） 是指其在感知、规划、行动等阶段采用的思维与执行模式。这些范式影响了 Agent 的决策效率、鲁棒性、可扩展性等。以下是目前主流的几种策略范式（适用于 LLM-based agents）：

🧠 1. ReAct（Reason + Act）

• 描述：交替进行推理（Reasoning）与行动（Acting），通过“思考-调用工具-观察结果-再思考”的循环来逐步完成复杂任务。

• 优点：逻辑清晰，适用于需要多步骤思考的问题；可插入人类思维链。

• 典型应用：LangChain Agent, AutoGPT, OpenAI Function Calling。

• 示例结构：

  Thought: I need to search for the weather.
  Action: Search["Weather in New York"]
  Observation: It’s 27°C and sunny.
  Thought: Now I can answer the question.
  

🧱 2. Plan-and-Execute（计划-执行范式）

• 描述：先由大模型规划出任务执行的多个子步骤，再逐步调用各个工具或子Agent来完成。

• 优点：任务分解清晰；适合执行流程明确、可以拆分的任务。

• 代表实现：OpenAI’s gpt-4o + Function Calling + Planner/Executor；LangGraph。

• 流程：

  1. Planner 生成 plan（step list）

  2. Executor 逐步执行

  3. 可中途动态更新 plan

🔁 3. Reflexion（反思范式）

• 描述：Agent 在失败或反馈后进行自我总结和反思，并基于经验修正策略。

• 优点：支持学习与自我改进；提高成功率。

• 使用场景：多轮尝试、强化学习任务；代码调试、写作任务。

• 关键机制：

  • Memory buffer

  • Reflection module（如：“我失败了，因为…”）

  • Self-evaluation / Self-critique

🔧 4. Toolformer / Tool-Augmented Paradigm（工具增强范式）

• 描述：在生成内容过程中自动插入 API / 工具调用，如搜索、计算器、数据库等。

• 优点：增强 LLM 的能力边界；提升准确性与实用性。

• 典型实现：Toolformer、Function Calling、Function-Aware Decoding。

• 代表产品：ChatGPT Plugins, Claude Tools

🧩 5. Auto-Delegation（自主分工）

• 描述：多个 Agent 协同工作，一个主 Agent 将子任务委派给专家子 Agent。

• 适用结构：

  • Manager / Worker 架构（AutoGPT、CrewAI）

  • Role-based Agents（如 Developer Agent, Tester Agent, Reviewer Agent）

• 优点：模块化、易于扩展、适合复杂项目。

• 挑战：任务划分准确性、子Agent接口设计。

📚 6. Few-shot / Chain-of-Thought Prompting（提示范式）

• 描述：在 Prompt 中引导 Agent 按照某种思维链执行任务。

• 方式：

  • Zero-shot / Few-shot 示例引导

  • CoT（思维链）、Tree-of-Thoughts、Graph-of-Thoughts

• 优点：无需外部记忆/模块，仅靠 prompt 结构实现推理

📈 7. Curriculum-based Strategy（任务难度递进）

• 描述：从简单任务开始，逐步训练 Agent 完成更复杂的任务；可与 RLHF 或 Self-play 结合。

• 优势：稳步提升能力、可训练领域专家 Agent

• 应用：AutoGPT + RLHF / Voyager（Minecraft Agent）

✅ 常见组合策略（混合）

• Plan-and-Execute + Reflexion + Tool-Augmented

• ReAct + Memory + Evaluation Agent

• Graph-based Planning (LangGraph) + Auto-delegation