图书地址：https://github.com/xindoo/agentic-design-patterns
模式
核心设计模式
- 提示链（顺序执行）
- 路由（智能选择）
- 并行（将任务拆分之后成没有前后依赖关系的任务同时进行，最后进行汇总）
- 反思（正向反馈调节）
- 工具使用（给静态模型增加动态数据操作的可能性，可以对一些内部数据进行安全保护）
- 规划（将复杂任务先拆分成多项简单任务，逐步执行）
- 多智能体协作（各组组合和交互方式）
高级设计模式
- 智能体的记忆管理（我认为它主要解决了上下文限制问题，通过外部数据库将之前的上下文内容进行总结保存。为后续的沟通提供一些前置信息。这里会分为临时记忆、短暂记忆和长期记忆）
- 学习和适应（根据新经验和数据不断自我修缮自身逻辑，从而达到进化）
- MCP-模型上下文协议(我认为它是接口的一种标准，来保证各个扩展组件方便进行对接使用，类似 USB 这种接口。开源标准)。
- 目标设定与监控（通过预设目标，并且指定方向来保证的 Agent 的正确。 通过监控来提高输出质量）
集成设计模式
- 异常处理和恢复（就是增加鲁棒性的方式）
- 人机协同（在需要人类进行确认的场景下使用，常见的高风险场景，比如医生开药，金融交易等）
- RAG-知识检索（通过知识数据库增强上下文内容，弥补 LLM 的静态数据的局限性，主要还是解决私有数据的安全问题）
生产设计模式
- A2A-agent 间通讯（通过自定义 AgentCard 描述自己，方便多个 Agent 之间互相调用。属于开源协议和 MCP 类似，不过 MCP 是给工具的通讯的协议）
- 资源感知优化（阅读文章内容之后，我个人初步认为这个是通过一个分类 agent 先对用户的问题进行分类，确定其需要使用的模型。因为不同模型使用的需要的时间、费用的不同，通过有效的分类降低运行时间及成本。类如里面的例子：用户问题复杂，需要让我大模型进行整体规划，让小模型根据规划执行对应操作。）
- 推理技术（这章主要是在各个阶段进行批判方式，来保证最终答案的准确性。需要额外注意“思考时间”，可以认为这是一种用思考时间来换取答案准确度的方式。就像之前使用谷歌的深度检索，他通过大批量的检索相关信息，并通过判断对应信息最终生成一份报告。目前不知道为什么这个产品已经消失了。）
- 安全模式（这个是对用户输入的提示词进行筛选，过滤掉一些不安全的、存在歧视等内容。也可以在最总呈现中添加过滤，增强用户的信任感。我个人理解为，对提示词进行筛选保证 LLM 不受到影响。输出时，对内容进行检测保证不出现一些不应该出现的观点等，规则是人自己定义的，合不合规都有自己说的算，所以，如果直接用 LLM 大模型的话，是否就没有安全模式了？换句话说，安全模式是否在 LLM 大模型中进行了内置？）
- 有答案了，这个分为内置和外置。内置就是在改内部的权重。再使用之前会投喂大量的有毒反馈，来实现内置的安全模式。
- 评估和监控（这一章没怎么读懂，根据 AI 的解读，我现在对它有了一定的了解。此章节主要想要说明：传统的监控是不够的（只对结果判断），应该对过程和结果同时进行监控。）
- 优先级排序（这章是在讲当大量有冲突的任务出现时，代理需要有合理执行顺序。这个优先级排序方式应该是动态实时调整的，我认为这个比较理想化。）
- 探索和发现（最终篇。这章主要想解决在新的知识范围内，探索出新的知识。）
AI 根据我的理解之后编写的总结
这是一份为你定制的**《Agentic Design Patterns》深度总结与复盘报告**。
这份总结不仅基于书中的理论，更结合了你之前的笔记和你需要纠偏的认知。我们将全书内容重构为**“五大系统”**，帮助你建立一个工程化的上帝视角。
核心视角转换
从 LLM 到 Agent 的本质跨越：
- LLM (大模型) 是“大脑”，它只负责概率预测，是静态的。
- Agent (智能体) 是“拥有大脑的员工”，它有手（工具）、有记事本（记忆）、有工牌（权限），是动态的。
第一系统：认知与决策系统（The Brain）
这是 Agent 的“思考方式”，决定了它够不够聪明。
1. 基础思考模式
- 提示链 (Prompt Chaining)：线性思维。像做菜一样，先切菜再炒菜，步骤固定。
- 路由 (Routing)：分流思维。像前台接待，“你是找财务还是找技术？”将任务分发给最适合的子路径。
- 并行 (Parallelization)：效率思维。像在大扫除，你擦窗户我扫地，最后汇总结果。
2. 高级推理模式
- 反思 (Reflection)：自我纠错。Agent 产出结果后，自己充当“检查员”审视一遍：“这代码能跑通吗？”如果不行，重新生成。
- 规划 (Planning)：任务拆解。面对“开发一个网站”这种大任务，先拆解为“设计数据库、写后端、写前端”三个子任务，逐步击破。
- 推理 (Reasoning)：深度思考。（纠偏点） 这不仅仅是搜索信息，而是指 System 2（慢思考）。例如通过“思维树 (Tree of Thoughts)”推演不同路径的后果，选择最优解，用“思考时间换取准确率”。
第二系统：能力扩展系统（The Body）
这是 Agent 的“手脚和海马体”，决定了它能干什么。
1. 记忆管理 (Memory)
- 核心功能：打破 Token 限制，维持长期对话。
- 学习与适应 (Learning)：（重点纠偏） 这里的“学习”不是重新训练模型（改权重），而是 In-context Learning（上下文学习）。Agent 把犯错的经验存入记忆库，下次遇到同样问题先查库，从而“避坑”。它是“经验本”变厚了，而不是“脑子”变了。
- RAG (知识检索)：外挂知识库。让 Agent 考试时可以“开卷”查阅企业私有数据。
2. 工具与接口
- 工具使用 (Tool Use)：赋予 Agent 操作现实世界的能力（查天气、发邮件、写数据库）。
- MCP (模型上下文协议)：USB 接口。
- 你的金句：像 USB 一样标准化连接。
- 价值：让开发者写一次工具代码，就能被 Claude、GPT 等各种模型插拔使用，实现“工具自由”。
第三系统：协作与交互系统（The Society）
这是 Agent 的“社交方式”，决定了它如何与世界共处。
1. 智能体协作
- 多智能体协作 (Multi-Agent)：专家团队模式。一个产品经理 Agent、一个程序员 Agent、一个测试 Agent 组队干活。
- A2A 通讯：同事关系。
- 辨析：MCP 是“人机接口”（主从），A2A 是“人人接口”（平等）。重点在于协商（Negotiation），比如两个 Agent 互相讨价还价来达成目标。
2. 人机协同
- Human-in-the-loop：核按钮模式。在医疗、金融等高风险环节，Agent 给出建议，必须由人类点击“确认”才能执行。
第四系统：工程与优化系统（The Infrastructure）
这是 Agent 的“后勤保障”，决定了它能不能在生产环境活下去。
1. 效率优化
- 资源感知优化 (Resource Awareness)：模型路由。
- 策略：简单问题（打招呼）扔给 Llama-3-8B（小/快/便宜），复杂推理扔给 GPT-4（大/慢/贵）。
- 优先级排序：调度中心。
- 纠偏：不能指望 Agent 自己“懂事”。需要引入一个不干活的 Dispatcher（调度员），像操作系统的进程调度一样，强制管理任务队列。
2. 安全与鲁棒性
- 安全模式 (Safety)：双重防线。
- 内置：模型本身受过训练，不想做坏事（RLHF）。
- 外置：门口站个保安（护栏模型 Guardrails），专门过滤进出的敏感词和恶意攻击指令。
- 异常处理：容错机制。当 API 挂了或模型胡说八道时，有预案（比如重试、降级回答），而不是直接崩溃。
第五系统：质量控制系统（The Conscience）
这是 Agent 的“考官与仪表盘”，也就是你之前没读懂的那一章。
1. 评估 (Evaluation) —— 离线判卷
- 难题：Agent 的输出不确定，且过程复杂。
- 解法 (LLM-as-a-Judge)：用更强的模型（GPT-4）去给小模型（GPT-3.5）的执行轨迹打分。
- 关注点：不仅看结果（订票成功没？），更看轨迹 (Trajectory)（有没有做多余的动作？思考逻辑对不对？）。
2. 监控 (Monitoring) —— 在线仪表盘
- 核心指标：
- Cost/Task：完成一个任务平均花多少钱？
- Loop Detection：死循环检测。Agent 像傻子一样重复搜索同一个词时，必须立刻熔断。
💡 总结性心智模型
读完这本书，你的脑海中应该浮现出这样一个 Agent 工厂：
- 大脑 (LLM)：负责思考，通过 Prompt Engineering 激发推理能力。
- 手脚 (Tools/MCP)：通过标准接口连接世界。
- 记事本 (Memory/RAG)：记录用户偏好和私有知识，并通过 In-context Learning 积累经验。
- 保安与考官 (Safety & Eval)：外置的审核系统，确保 Agent 不发疯、不干坏事。
- 调度室 (Routing/Prioritization)：根据任务难度，把活儿派给不同成本的模型。
这就是Agentic Design Patterns 的全貌。