本仓库系统性地整理了 12 大类、116 种 Agent 设计模式，每种模式均配有概念说明、核心流程图和完整的 Python 示例代码。
📖 不知道该选哪个模式？ 请先阅读 场景适配指南 — 包含快速选型决策树、10 个典型场景详解、8 大行业方案、8 个经典组合配方。
第四轮 2026 内容更新（110 → 116）：新增 6 种 2026 年前沿设计模式。
- 多智能体协作：Blackboard Systems（黑板报系统，机会式触发协作）
- 记忆管理：Graph/World-Model Memory（图/世界模型记忆，关系网式记忆）
- 框架范式：Meta-Controller Pattern（元控制器，负载感知全局路由）
- 安全对齐：Dry-Run Harness（彩排间，不可逆操作先预演再执行）
- 自我纠错：Meta-Agent / Self-Improving Agent（造物主，改 harness 本身）
- 成本优化：Reflexive Agent（反射弧，内部推理 vs 外部工具路由）
另：08 章 ReAct 条目下新增 TAOR Loop 演进注记（ReAct + Reflexion 单轮内融合，作为 8.1 子注记，不独立成条）。
第三轮 2025-2026 内容更新（104 → 110）：新增 6 种 2025-2026 前沿模式。
- 自主规划：Durable Execution（持久化执行引擎）
- 检索增强：Agentic RAG（代理式 RAG）、CAG（缓存增强生成）、Multimodal RAG（多模态 RAG）、Reranking（重排序）
- 框架范式：Subagents（子代理模式）
第二轮 2025-2026 内容更新（100 → 104）：新增 4 种 2026 年前沿模式。
- 记忆管理：Dreaming（梦境记忆整合，OpenAI 2026.06）
- 框架范式：Context Engineering / Compaction（上下文工程）
- 自主规划：Long-running Agents（长时运行 Agent）
- 工具使用：Code-as-Action（代码即行动）
2025-2026 年内容更新（93 → 100）：新增 7 种设计模式，行业方案新增"软件研发"。
- 自主规划：Agentic Coding（自主编程）
- 检索增强：LightRAG（轻量图谱检索）
- 记忆管理：Mem0（记忆即数据库）
- 框架范式：Orchestrator-Workers（总调度）、Evaluator-Optimizer（评估优化）
- 工具使用：Browser Use / Web Agent（浏览器Agent）
- 成本优化：Speculative Decoding（推测解码）
文档一致性全面加固：
- 场景适配指南矩阵表补充 28 个缺失模式，覆盖率从 70% 提升至 100%
- 各章总结对比表同步补充新增模式（02/03/04/05/12 章）
- 02 章 2.9 Agentic Coding 重组到正确位置（总结表之前）
- 12 章定价表扩展到 18 个 2025-2026 主流模型
新增 10 种设计模式（83 → 93）：
- 推理增强：Test-Time Compute Scaling (o1)、Chain-of-Verification
- 检索增强：Speculative RAG、Adaptive RAG
- 多智能体协作：A2A Protocol
- 记忆管理：Letta (MemGPT 演进)
- 安全对齐：DPO & RLAIF、Llama Guard
- 工具使用：Structured Outputs
- 成本优化：Prompt Caching & Batch API
新增 4 个行业方案（4 → 8）：教育、法律、制造、软件研发
代码质量全面加固：
- 全部示例代码添加
content or ""None 防护和json.loadstry/except 兜底 - PoT / CRITIC 的
exec()改为SAFE_BUILTINS白名单沙箱 - 修复 GoT 多父节点追溯、Swarm 贪婪正则、CrewAI 上下文累加等逻辑 bug
- 修正 Self-RAG 流程图、MemGPT 记忆归类、Generative Agents 衰减系数等技术错误
| 序号 | 类别 | 模式数量 | 文档 |
|---|---|---|---|
| 01 | 推理增强类 | 15 | 01_推理增强类.md |
| 02 | 自主规划与执行类 | 11 | 02_自主规划与执行类.md |
| 03 | 检索增强类 (RAG) | 16 | 03_检索增强类.md |
| 04 | 多智能体协作类 | 10 | 04_多智能体协作类.md |
| 05 | 记忆与状态管理类 | 9 | 05_记忆与状态管理类.md |
| 06 | 框架与编程范式类 | 13 | 06_框架与编程范式类.md |
| 07 | 安全与对齐类 | 11 | 07_安全与对齐类.md |
| 08 | 工具使用与函数调用类 | 10 | 08_工具使用与函数调用类.md |
| 09 | 自我纠错与迭代改进类 | 6 | 09_自我纠错与迭代改进类.md |
| 10 | 人机协作类 | 4 | 10_人机协作类.md |
| 11 | 评估与测试类 | 4 | 11_评估与测试类.md |
| 12 | 可观测性与成本优化类 | 7 | 12_可观测性与成本优化类.md |
| — | 场景适配指南 | — | 场景适配指南.md |
| — | 🏯 模式江湖（趣味图鉴） | 116 | 模式江湖.md |
| — | 🛒 电商/零售行业方案 | 3 | 行业方案_电商零售.md |
| — | 🏦 金融行业方案 | 3 | 行业方案_金融.md |
| — | 💼 SaaS/企业服务行业方案 | 3 | 行业方案_SaaS企业服务.md |
| — | 🏥 医疗健康行业方案 | 3 | 行业方案_医疗健康.md |
| — | 🎓 教育行业方案 | 3 | 行业方案_教育.md |
| — | ⚖️ 法律行业方案 | 3 | 行业方案_法律.md |
| — | 🏭 制造行业方案 | 3 | 行业方案_制造.md |
| — | 💻 软件研发行业方案 | 4 | 行业方案_软件研发.md |
Agent 设计模式
├── 推理增强类 — 让模型"想清楚再回答"
│ ├── CoT (思维链) ├── ToT (思维树)
│ ├── GoT (思维图) ├── Self-Consistency (自洽性)
│ ├── PoT (程序化思维) ├── Step-Back (退一步提示)
│ ├── Least-to-Most (从易到难) ├── Analog Prompting (类比提示)
│ ├── SoT (骨架思维) ├── RE2 (重复阅读)
│ ├── S2A (系统2注意力) ├── Emotion Prompting (情感提示)
│ ├── LATS (语言智能体树搜索)
│ ├── Test-Time Compute Scaling (测试时计算扩展/o1)
│ └── Chain-of-Verification (验证链/CoV)
│
├── 自主规划与执行类 — 让Agent自主制定计划并执行
│ ├── AutoGPT / BabyAGI ├── HuggingGPT / TaskMatrix
│ ├── DEPS ├── ART
│ ├── ADaPT ├── Plan-and-Solve (计划与求解)
│ ├── LLM+P (LLM+经典规划器) ├── ReWOO (推理与观察解耦)
│ ├── Agentic Coding (自主编程)
│ ├── Long-running Agents (长时运行Agent)
│ └── Durable Execution (持久化执行引擎)
│
├── 检索增强类 (RAG) — 何时检索、检索什么、如何利用
│ ├── Standard RAG ├── Self-RAG
│ ├── Corrective RAG ├── RAISE
│ ├── Active RAG ├── GraphRAG (知识图谱RAG)
│ ├── HyDE (假设文档嵌入) ├── Self-Ask (自问自答)
│ ├── FLARE (前瞻式主动检索)
│ ├── Speculative RAG (推测式RAG)
│ ├── Adaptive RAG (自适应RAG)
│ ├── LightRAG (轻量图谱检索)
│ ├── Agentic RAG (代理式RAG)
│ ├── CAG (缓存增强生成)
│ ├── Multimodal RAG (多模态RAG)
│ └── Reranking (重排序)
│
├── 多智能体协作类 — 多Agent交互获得更高质量产出
│ ├── AutoGen ├── MetaGPT
│ ├── CrewAI ├── MoA (混合Agent)
│ ├── MAD (多Agent辩论) ├── DyLAN (动态Agent网络)
│ ├── OpenAI Swarm (轻量编排) ├── ChatDev (聊天驱动开发)
│ ├── A2A Protocol (Agent间通信协议)
│ └── Blackboard Systems (黑板报系统)
│
├── 记忆与状态管理类 — 让Agent"记住该记住的、忘掉该忘掉的"
│ ├── MemGPT ├── Generative Agents
│ ├── Reflection-based Memory ├── RAG-based Memory
│ ├── Episodic Memory (情景记忆)
│ ├── Letta (MemGPT演进/有状态Agent)
│ ├── Mem0 (记忆即数据库)
│ ├── Dreaming (梦境记忆整合)
│ └── Graph/World-Model Memory (图/世界模型记忆)
│
├── 框架与编程范式类 — 从系统架构层面组织LLM调用
│ ├── DSPy ├── Flow Engineering (LangGraph)
│ ├── Map-Reduce Pattern ├── Router / MoE
│ ├── Structured Output ├── MCP (模型上下文协议)
│ ├── Semantic Kernel ├── Prompt Chaining (提示链)
│ ├── Orchestrator-Workers (总调度)
│ ├── Evaluator-Optimizer (评估优化)
│ ├── Context Engineering / Compaction (上下文工程)
│ ├── Subagents (子代理模式)
│ └── Meta-Controller (元控制器)
│
├── 安全与对齐类 — 确保Agent输出安全、合规、符合价值观
│ ├── Constitutional AI ├── Guardrails / NeMo-Guardrails
│ ├── LLM-as-a-Judge ├── Self-Alignment
│ ├── RLHF-aware Design ├── Red Teaming (红队测试)
│ ├── Prompt Injection Defense ├── Jailbreak Defense
│ ├── DPO & RLAIF (直接偏好优化与AI反馈对齐)
│ ├── Llama Guard (输入输出安全分类)
│ └── Dry-Run Harness (彩排间)
│
├── 工具使用与函数调用类 — Agent区别于普通LLM的核心能力
│ ├── ReAct ├── Function Calling
│ ├── Toolformer ├── Code Interpreter
│ ├── API Agent / Web Agent ├── Computer Use / GUI Agent
│ ├── Parallel Function Calling
│ ├── Structured Outputs (结构化输出)
│ ├── Browser Use / Web Agent (浏览器Agent)
│ └── Code-as-Action (代码即行动)
│
├── 自我纠错与迭代改进类 — 从"能用"到"可靠"的关键
│ ├── Self-Refine ├── Reflexion
│ ├── CRITIC ├── Iterative Refinement
│ ├── Self-Discover (自我发现推理结构)
│ └── Meta-Agent (自我进化元Agent)
│
├── 人机协作类 — 生产系统的必备机制
│ ├── Human-in-the-Loop ├── Interactive Agent
│ ├── Cobots └── Supervised Autonomy
│
├── 评估与测试类 — 让Agent质量可衡量、可验证
│ ├── LLM-as-a-Judge ├── Pairwise Comparison
│ ├── Trajectory Evaluation └── Adversarial Testing
│
└── 可观测性与成本优化类 — 生产环境的"看得见、控得住、省得了"
├── Tracing & Logging ├── Token & Cost Monitoring
├── Caching & Memoization ├── Model Routing & Cascading
├── Prompt Caching & Batch API (提示缓存与批量API)
├── Speculative Decoding (推测解码)
└── Reflexive Agent (反射型Agent)
💡 第一步永远是 场景适配指南 — 用决策树 30 秒找到你需要的模式。
- 08 工具使用与函数调用类 → 理解 Agent 的核心能力（ReAct 是基石）
- 01 推理增强类 → 理解如何增强 LLM 的推理能力
- 09 自我纠错与迭代改进类 → 理解如何让 Agent 变得可靠
- 02 自主规划与执行类 → 理解 Agent 的自主性
- 05 记忆与状态管理类 → 理解 Agent 的记忆体系
- 03 检索增强类 → 理解知识增强机制
- 04 多智能体协作类 → 理解多 Agent 协作
- 06 框架与编程范式类 → 理解工程化方法
- 07 安全与对齐类 → 理解安全保障
- 10 人机协作类 → 理解生产环境部署
- 11 评估与测试类 → 理解如何评估和验证 Agent 质量
- 12 可观测性与成本优化类 → 理解生产环境的监控与成本控制
Python 3.10+，所有示例代码基于 OpenAI Python SDK：
pip install openai numpy设置环境变量：
export OPENAI_API_KEY="your-api-key"
# 如使用兼容接口（如 Azure OpenAI、本地部署），还需设置：
export OPENAI_BASE_URL="https://your-api-endpoint"部分模式需要额外依赖：
- AutoGen 示例：
pip install pyautogen - 向量检索示例：内置
SimpleVectorStore，无需额外安装 - 语义缓存示例（12.3）：依赖
numpy（已包含在基础安装中） - 链路追踪示例（12.1）：可选集成 OpenTelemetry 用于生产环境
- 生产环境重试：推荐
pip install tenacity（指数退避重试）
⚠️ 生产环境注意事项：本文档中的示例代码为教学目的编写，省略了生产环境必需的错误处理（如 API 限流重试、超时处理、网络异常恢复等）。生产部署时请务必：
- 对所有 LLM 调用添加
try/except，捕获openai.RateLimitError、openai.APIError、openai.APITimeoutError等- 实现指数退避重试机制（推荐使用
tenacity库）- 对
response.choices[0].message.content做 None 防护（content or ""）- 对
json.loads做 try/except 兜底，处理 LLM 返回非标准 JSON 的情况- 代码执行类模式（PoT、CRITIC 等）的沙箱仅做演示，生产环境请使用 Docker 容器或专用沙箱服务
每个模式的文档遵循统一结构：
模式名称
├── 概念说明 — 通俗解释 + 类比理解
├── 核心流程/原理 — Mermaid 流程图 + 关键步骤说明
├── 完整示例代码 — 基于 OpenAI API 的可运行 Python 代码
│ ├── 环境配置
│ ├── 核心类实现
│ └── 主流程演示
├── 代码要点说明 — 关键方法与对应阶段
└── 总结对比表 — 多维度横向对比 + 选型建议