标题：从16种智能体设计模式到四大范式：解构吴恩达眼中的AI Agent未来
在红杉AI峰会上，吴恩达（Andrew Ng）提出了一个影响深远的观点：AI智能体（Agent）的崛起，其意义可能不亚于基础模型本身的进步。他将智能体的工作流归纳为四大范式：反思（Reflection）、工具使用（Tool Use）、规划（Planning）和多智能体协作（Multiagent Collaboration）。当我们把视角从宏观范式下沉到工程实践，会发现业界沉淀出的16种智能体设计模式，恰好可以被这四大范式完整收编。本文将逐一拆解这种映射关系，帮助读者在\”范式—模式—实现\”三个层次之间建立清晰的知识地图。
一、Reflection：让智能体学会\”回头看\”
反思范式的核心思想是：让模型审视自己的输出，发现错误并迭代改进，而不是一次性生成结果就宣告结束。这一范式下包含三种模式。
Self-reflection（自我反思）是最基础的形式。智能体在生成计划或推理结果后，自己充当评审者，对输出给出反馈并指导自我改进。这直接提升了推理的确定性、可解释性和持续改进能力，同时因为减少了人工干预而提高了效率。
Cross-reflection（交叉反思）则引入了\”第二双眼睛\”：由不同的智能体或不同的基础模型来提供反馈。这种异构评审机制不仅提高了推理确定性和解释性，还天然带来了互操作性、包容性和可扩展性，因为不同模型之间的能力互补可以覆盖单一模型的盲区。
Human reflection（人类反思）把人类反馈纳入闭环。通过收集人的评价来改进计划和推理过程，智能体得以有效对齐人类偏好，并在可争议性、有效性和公平性上获得保障。这三种反思模式构成了一条从\”完全自动化\”到\”人在环路\”的光谱，实际系统往往按需组合使用。
二、Tool Use：让智能体\”手中有工具\”
工具使用范式解决的是基础模型固有的局限：知识有截止日期、无法访问私有数据、无法执行真实世界的操作。这一范式下有三种关键模式。
Retrieval augmented generation（检索增强生成，RAG）是最广为人知的一种。它通过外挂检索系统为模型注入新鲜知识，增强智能体的知识更新能力，同时因为数据可以留在本地，还能满足数据隐私的要求。RAG让模型从\”记住一切\”转向\”知道去哪查\”。
Tool/agent registry（工具与智能体注册表）解决的是工具规模化之后的治理问题。当系统中可用的工具和子智能体越来越多，维护一个统一、方便的注册来源，能够显著提升工具的可发现性、选择效率和适用性。没有注册表的工具生态，就像没有目录的图书馆。
Multimodal guardrails（多模态护栏）则从另一个角度守护工具使用：它对基础模型的输入和输出进行控制，确保其满足用户要求、伦理标准和法律法规。护栏增强了系统的稳健性、安全性和标准对齐能力，是工具从\”能用\”走向\”敢用\”的前提。
三、Planning：把大目标拆成可执行的路径
规划范式让智能体不再被动地一问一答，而是主动把复杂目标分解为一系列中间步骤。这一范式涵盖的模式最多，可以细分为目标的产生、查询的方式和路径的生成三个层面。
在目标产生层面，Passive goal creator（被动目标创建器）通过对话界面分析用户的明确提示来建立目标，保持交互性、目标追踪和直观性；Proactive goal creator（主动目标创建器）则更进一步，通过理解人类交互和捕捉上下文来预见用户的目标，在可访问性上表现更好。一个\”你说我做\”，一个\”未说先懂\”，代表了人机交互的两种哲学。
在查询方式层面，One-shot model querying（一次性模型查询）在单个实例中让模型生成计划所需的全部步骤，成本效率高、流程简单；Incremental model querying（增量式模型查询）则在计划生成的每一步都访问模型，逐步补充上下文，从而提高响应准确性和可解释性。前者适合路径清晰的标准任务，后者适合需要边走边看的复杂任务。Prompt/response optimiser（提示/响应优化器）作为辅助模式，根据预期的输入输出内容和格式优化交互，为规划过程提供标准化、准确性和互操作性保障。
在路径生成层面，Single-path plan generator（单路径计划生成器）协调生成一条确定的中间步骤序列，追求推理的确定性、连贯性和效率；Multi-path plan generator（多路径计划生成器）则在每一步保留多种选择，以增强对人类偏好的对齐性和包容性。单路径像导航软件的\”最快路线\”，多路径则像同时给出\”最快、最省钱、风景最好\”三套方案供人选择。
四、Multiagent Collaboration：三个臭皮匠，赛过诸葛亮
多智能体协作范式的洞察在于：与其打造一个无所不能的超级智能体，不如让多个各有专长的智能体协同工作。这一范式下有三种典型的合作机制。
Voting-based cooperation（基于投票的合作）让智能体自由表达意见，通过提交投票达成共识。这种民主机制带来了意见的多样性、有效的分工和容错性，单个智能体的错误不会左右最终结果。
Role-based cooperation（基于角色的合作）则为智能体分配不同的角色，如程序员、测试员、产品经理，并根据角色最终确定决策。这种方式提高了决策的确定性、分工效率、可扩展性和责任性，最接近人类组织的工作方式。
Debate-based cooperation（基于辩论的合作）让智能体通过辩论相互提供和接收反馈，不断调整想法和行为，直到达成共识。辩论机制在决策确定性、适应性、解释性和批判性思维上表现突出，尤其适合开放性、没有标准答案的复杂问题。
结语：范式是地图，模式是道路
回过头看，吴恩达提出的四大范式之所以具有强大的解释力，正是因为它们为纷繁的设计模式提供了一张清晰的地图。反思解决\”如何做得更好\”，工具使用解决\”如何知道更多、做到更多\”，规划解决\”如何走得有条理\”，多智能体协作解决\”如何众人拾柴火焰高\”。
对于从业者而言，这张图的实际价值在于：当你设计一个智能体系统时，不必从16种模式中盲目挑选，而是先问自己四个问题——系统需要自我纠错吗？需要接入外部知识和工具吗？任务需要分步规划吗？单智能体够用吗？回答了这四个问题，对应的模式自然会浮出水面。范式指明方向，模式铺就道路，而真正的智能体工程，正是在这两者的交汇处展开。
