AI 智能体开发实战：17 种核心架构模式详解与 Python 代码实现

2025-12-04
广东
本文字数：28663 字
阅读完需：约 94 分钟

在构建一个大规模 AI 系统时，我们其实就是在把不同的“智能体设计模式（agentic design patterns）”组合起来。不管系统多复杂都可以拆解成有限的几种"设计模式"。这些模式各有各的用法——有的专门负责思考优化，有的处理工具调用，有的管多智能体协作。

主要就这么几类：多智能体系统让不同角色分工协作；集成决策让多个智能体投票选最优解；思维树（ToT）探索多条推理路径再择优；反思式架构能自我审视和改进；ReAct 循环在思考与行动间迭代。

本文将逐一深入解析这 17 种不同的智能体架构，不仅阐述其核心原理和设计思想，还将通过完整的代码实现来演示其工作机制，并用真实数据验证每种架构的实际效果和适用场景。

环境配置开始之前得把工具链搞定。现在的 RAG 或智能体系统，LangChain、LangGraph 和 LangSmith 基本成了标配——前者提供基础组件，LangGraph 负责编排流程，LangSmith 可以进行调试和监控。

导入

import os

from typing import List, Dict, Any, Optional, Annotated, TypedDict

from dotenv import load_dotenv # 从 .env 文件加载环境变量

用于数据建模/校验的 Pydantic

from pydantic import BaseModel, Field

LangChain & LangGraph 组件

from langchain_nebius import ChatNebius # Nebius LLM 封装器

from langchain_tavily import TavilySearch # Tavily 搜索工具集成

from langchain_core.prompts import ChatPromptTemplate # 用于组织提示词

from langgraph.graph import StateGraph, END # 构建状态机图

from langgraph.prebuilt import ToolNode, tools_condition # 预置的节点与条件

便于更好地输出结果

from rich.console import Console # 终端样式化输出

from rich.markdown import Markdown # 在终端渲染 Markdown 为了作为演示，我还接了 Tavily API 做实时搜索，避免智能体被训练数据的时效性限制住。每月 1000 次调用的免费额度已经够用了了。

环境变量这样配：

Nebius LLM 的 API key（用于 ChatNebius）

NEBIUS_API_KEY="your_nebius_api_key_here"

LangSmith（LangChain 观测/遥测平台）的 API key

LANGCHAIN_API_KEY="your_langsmith_api_key_here"

Tavily 搜索工具（用于 TavilySearch 集成）的 API key

TAVILY_API_KEY="your_tavily_api_key_here"加载和验证：

load_dotenv() # 加载环境变量

启用 LangSmith 跟踪以便监控/调试

os.environ["LANGCHAIN_TRACING_V2"] = "true"

os.environ["LANGCHAIN_PROJECT"] = "Implementing 17 Agentic Architectures" # 用于分组轨迹的项目名

校验所需的 API key 是否齐全

for key in ["NEBIUS_API_KEY", "LANGCHAIN_API_KEY", "TAVILY_API_KEY"]:

if not os.environ.get(key): # 若环境变量中未找到

print(f"{key} not found. Please create a .env file and set it.")反思架构（Reflection）反思可能是智能体工作流里最基础也最实用的模式。核心思路就是让智能体"退一步看自己的输出，然后想办法改进"。

这个模式特别适合那种对结果质量要求很高的场景，比如生成复杂代码、写技术文档什么的。如果只给个草稿通常质量都不好，所以需要这个模式。

流程非常简单：

生成（Generate）：基于用户需求先出个初版

批判（Critique）：切换视角，从代码审查员的角度挑毛病

精炼（Refine）：基于批评意见，输出改进版本

实现上用 Pydantic 模型来约束 LLM 的输出格式，这样多步骤之间的数据传递会更稳定：

class DraftCode(BaseModel):

"""Schema for the initial code draft generated by the agent."""

code: str = Field(description="The Python code generated to solve the user's request.") # 原始草稿

explanation: str = Field(description="A brief explanation of how the code works.") # 推理说明

class Critique(BaseModel):

"""Schema for the self-critique of the generated code."""

has_errors: bool = Field(description="Does the code have any potential bugs or logical errors?") # 错误排查

is_efficient: bool = Field(description="Is the code written in an efficient and optimal way?") # 性能/最佳实践检查

suggested_improvements: List[str] = Field(description="Specific, actionable suggestions for improving the code.") # 具体改进建议

critique_summary: str = Field(description="A summary of the critique.") # 评审概述

class RefinedCode(BaseModel):

"""Schema for the final, refined code after incorporating the critique."""

refined_code: str = Field(description="The final, improved Python code.") # 打磨后的版本

refinement_summary: str = Field(description="A summary of the changes made based on the critique.") # 修改说明 Critique 这个模型设计得比较巧妙，它强制智能体必须从错误检查、效率评估等具体维度来审视代码，而不是泛泛地说"看起来还行"，这样保证了检查的质量。

生成器节点就是标准的 prompt 调用：

def generator_node(state):

"""Generates the initial draft of the code."""

console.print("--- 1. Generating Initial Draft ---")

# 初始化 LLM，并让其输出结构化 DraftCode 对象

generator_llm = llm.with_structured_output(DraftCode)

prompt = f"""You are an expert Python programmer. Write a Python function to solve the following request.  Provide a simple, clear implementation and an explanation.  
Request: {state['user_request']}  """  
draft = generator_llm.invoke(prompt)  return {"draft": draft.model_dump()}

复制代码

批评节点是这个架构的核心，它让智能体作为"资深开发者"来审视自己刚写的代码：

def critic_node(state):

"""Critiques the generated code for errors and inefficiencies."""

console.print("--- 2. Critiquing Draft ---")

# 初始化 LLM，并让其输出结构化 Critique 对象

critic_llm = llm.with_structured_output(Critique)

code_to_critique = state['draft']['code']  
prompt = f"""You are an expert code reviewer and senior Python developer. Your task is to perform a thorough critique of the following code.  
Analyze the code for:  1.  **Bugs and Errors:** Are there any potential runtime errors, logical flaws, or edge cases that are not handled?  2.  **Efficiency and Best Practices:** Is this the most efficient way to solve the problem? Does it follow standard Python conventions (PEP 8)?  
Provide a structured critique with specific, actionable suggestions.  
Code to Review:

复制代码

{code_to_critique}

"""  
critique = critic_llm.invoke(prompt)  return {"critique": critique.model_dump()}
精炼节点负责把批评意见落地成实际的代码改动：def refiner_node(state):
"""Refines the code based on the critique."""  console.print("--- 3. Refining Code ---")  # 初始化 LLM，并让其输出结构化 RefinedCode 对象  refiner_llm = llm.with_structured_output(RefinedCode)  
draft_code = state['draft']['code']  critique_suggestions = json.dumps(state['critique'], indent=2)  
prompt = f"""You are an expert Python programmer tasked with refining a piece of code based on a critique.  
Your goal is to rewrite the original code, implementing all the suggested improvements from the critique.  
**Original Code:**  ```python  {draft_code}

复制代码

Critique and Suggestions:

{critique_suggestions}

Please provide the final, refined code and a summary of the changes you made.

"""

refined_code = refiner_llm.invoke(prompt)

return {"refined_code": refined_code.model_dump()}

用 LangGraph 把这三个节点串成工作流：class ReflectionState(TypedDict):

"""Represents the state of our reflection graph."""

user_request: str

draft: Optional[dict]

critique: Optional[dict]

refined_code: Optional[dict]

初始化 state graphgraph_builder = StateGraph(ReflectionState)

添加节点 graph_builder.add_node("generator", generator_node)graph_builder.add_node("critic", critic_node)graph_builder.add_node("refiner", refiner_node)

线性流程 graph_builder.set_entry_point("generator")graph_builder.add_edge("generator", "critic")graph_builder.add_edge("critic", "refiner")graph_builder.add_edge("refiner", END)

编译为可运行应用 reflection_app = graph_builder.compile()

拿经典的斐波那契数列来测试效果。这个问题很适合：因为简单递归容易写但效率极差，改进空间明显。user_request = "Write a Python function to find the nth Fibonacci number."initial_input = {"user_request": user_request}

创作场景

AI 智能体开发实战：17 种核心架构模式详解与 Python 代码实现

用于数据建模/校验的 Pydantic

LangChain & LangGraph 组件

便于更好地输出结果

Nebius LLM 的 API key（用于 ChatNebius）

LangSmith（LangChain 观测/遥测平台）的 API key

Tavily 搜索工具（用于 TavilySearch 集成）的 API key

启用 LangSmith 跟踪以便监控/调试

校验所需的 API key 是否齐全

郝培强

评论