大模型智能体核心范式全景详解

大模型智能体核心范式全景详解

先建立一条层级关系主线（非常关键，很多人混淆就是分不清层级）

ToolUse（工具调用）是最底层基础能力
↓
ReAct 是一套「思考+行动」Prompt范式
↓
Agent Loop 是运行时执行框架（承载ReAct/各种策略）
↓
Skills / MCP 是对能力、工具的上层封装与标准化协议
↓
Multi-Agent（多智能体）：多个独立Agent相互协作，是单体Agent之上的架构扩展

下面逐个精确定义、原理、优缺点、相互关系、代码层面直观区分，附带落地差异。

1. ToolUse（工具调用 / Function Calling）

定义

LLM具备识别需求、输出结构化JSON，主动调用外部函数/API的基础能力。
这是所有Agent能力的最小底座，没有工具调用，不存在现代实用Agent。

核心流程

用户问题 → LLM判断：需要外部信息 → 输出标准化函数调用参数 → 外部程序执行函数 → 返回结果给大模型。

特点

• 单次能力：原生Function Calling只支持一轮调用；
• 只解决：模型知识截止、无法操作外部系统、无法计算；
• 局限性：一次思考只能调用一次工具，遇到复杂任务，没法自动连续多次调用。

✅ 一句话区分：ToolUse = 大模型“会打电话”，但不会自己持续多轮打电话。

例子

问：今天北京气温？
LLM输出工具调用get_weather(city="北京")→ 获取结果直接回答。
复杂问题需要连续多次查资料时，原生单次ToolUse做不到，就需要Agent Loop。

2. Agent Loop 智能体循环

定义

一套循环执行的运行时引擎，持续执行「思考→行动→观察反馈」直到任务完成。
伪代码骨架：

while 未完成任务 && 未达到最大轮次： thought = LLM思考(历史上下文 + 工具返回结果) action = 解析出工具调用/决策 observation = 执行action，拿到环境反馈 把thought+action+observation存入上下文

关键认知

1. Agent Loop不是Prompt技巧，是程序运行框架；
2. Agent Loop 内部可以运行任意策略：ReAct、Plan&Execute、Reflexion；
3. 解决原生ToolUse只能单次调用的痛点，支持连续多轮工具调用、重试、动态调整方案。

和ToolUse关系

• ToolUse = 循环里单次的「行动步骤」；
• Agent Loop = 把无数次ToolUse串联起来持续迭代。

✅ 类比：
ToolUse = 单次射门；Agent Loop = 整场持续进攻、调整战术的比赛闭环。

3. ReAct (Reason + Act，推理行动范式)

来源

2022 Google论文《ReAct: Synergizing Reasoning and Acting in Language Models》

核心思想

通过Prompt引导模型显式输出三段内容：
Thought（内心推理）→ Action（执行动作）→ Observation（环境返回结果）

Thought: 用户想要近一周股价，我需要调用股票查询工具 Action: get_stock_price("AAPL") Observation: [价格数据]

重要边界（90%人踩坑混淆）

1. ReAct 是Prompt范式，是给LLM用的思维模板；
2. Agent Loop 是后端代码循环框架；
3. 标准架构：Agent Loop 运行时，加载 ReAct Prompt 来驱动每一轮思考

关系简图：
Agent Loop(运行框架) + ReAct(Prompt策略) + ToolUse(底层能力) = 基础单智能体

ReAct优缺点

✅ 优点：简单易实现、可解释（能看到每一步思考）
❌ 缺点：复杂任务容易陷入局部最优、容易循环重试、缺少顶层规划
👉 衍生方案：Plan-and-Solve / Plan-and-Execute（先总体规划，再执行ReAct循环）

误区纠正：
❌ 错误：ReAct就是Agent Loop
✅ 正确：ReAct是可以跑在Agent Loop里面的一种“思考策略”，Loop还能跑别的策略。

4. Skills（智能技能集）

定义

对工具、能力、业务逻辑的高层封装。
单个Function只是底层函数；多个关联工具+前置校验+后置处理组合起来就是Skill。

举个分层对比：

• 底层Function：query_order_api(order_id)查询订单接口
• Skill：【客户订单查询技能】
  包含：参数校验 → 调用订单API → 异常捕获 → 结果格式化 → 敏感信息脱敏

两种形态

1. 原子Skill：单一能力（查天气、计算）
2. 复合Skill：由多个工具串联完成固定子任务

和ToolUse/Agent关系

• Tool = 原始函数
• Skill = 封装好、具备业务语义的能力包
• Agent可以根据任务，自主选择调用合适的Skill集合

落地价值：面向企业业务开发时，不会暴露原始API，而是提供业务技能，降低大模型调用出错概率。

5. MCP（Model Context Protocol）

重点：当下行业有两个主流MCP含义，必须分开，不要混淆

版本A（现在最火：Anthropic MCP）

Model Context Protocol 模型上下文协议
开放标准协议，解决：大模型 ↔ 外部工具/本地服务/文件系统 标准化通信。
定位：统一的工具互通标准
目标：
不再为每个Agent框架单独写工具适配代码；任何支持MCP的LLM客户端，可以无缝连接任意MCP服务（文件读取、数据库、终端、Git等）。

类比理解：

• Function Calling：各家私有协议（OpenAI格式、Anthropic格式互不兼容）
• MCP = 工具界的USB通用接口标准

版本B（早期学术界 MCP = Multi-Component Prompting，多组件提示词）

现在基本很少提，工业界说MCP默认指Anthropic Model Context Protocol

MCP 在整套体系里的位置

ToolUse底层通信层标准；
Agent Loop框架可以基于MCP协议调用外部Skills/Tools。

6. Multi-Agent 多智能体架构

定义

系统中存在多个具备独立Agent Loop的智能体，分工、通信、协作完成整体任务。
单体Agent：一个Loop、一套大脑处理全部事情；
多智能体：拆分多个专业Agent。

主流经典架构模式

1. 分工流水线模式
   规划Agent → 检索Agent → 代码Agent → 总结Agent，依次传递任务
2. 辩论模式（Debate Agent）
   两个Agent正反论证，降低幻觉
3. 主管-工人模式（Manager-Worker）
   Manager智能体拆解任务，分派给Worker子Agent；Worker各自运行独立Agent Loop完成子任务，汇总结果
4. 社群自治模式（复杂场景）多个Agent自由通信协商

与单体Agent核心差异

• 单体Agent：单一Agent Loop，依靠LLM自己拆分任务
• Multi-Agent：多个独立Agent Loop，通过消息机制互通

优缺点

✅ 优势：复杂大型任务专业化、更容易管控、能力横向扩展、降低单一大模型负担
❌ 劣势：架构复杂、多轮通信token消耗高、容易出现协调失效、调试困难

典型落地案例

Devin衍生多智能体开发团队：产品Agent、编码Agent、测试Agent、文档Agent

📌 整套技术栈层级汇总（从上至下）

【应用层】 Multi-Agent 多智能体架构（多个Agent协同） ↓ 【单体Agent层】 Agent Loop（循环运行引擎） ├─ 内置思考策略：ReAct / Plan&Execute / Reflexion ├─ 能力库：Skills（封装后的业务能力） ↓ 【通信与标准层】 MCP / Function Calling（ToolUse 工具调用底层协议） ↓ 【基础设施】LLM、数据库、API、外部环境

高频易混对比速查表

补充工程落地选型经验

1. 简单任务：单次ToolUse足够，不需要上Agent Loop；
2. 需要连续调用工具、自主试错：Agent Loop + ReAct（入门首选，LangGraph基础方案）
3. 企业业务系统：在工具之上封装Skills，提升稳定性；优先考虑MCP统一工具接入；
4. 超大复杂度任务（软件研发、复杂调研、大型仿真）：采用 Multi-Agent 架构。