第二部分：构建你的大语言模型智能体

导航

第四章智能体经典范式构建

目的： 直接用框架（LangChain）虽然快，但不懂原理遇到 Bug 很难修。亲手构建能理解Prompt 如何控制 LLM、工具如何被调用以及上下文如何流转。
基础组件： LLM (大脑) + Tools (手脚，如搜索/计算器) + Env (配置中心)。

核心口诀： 思考 (Thought) -> 行动 (Action) -> 观察 (Observation)。
工作原理：
- 动态循环： 不一次性把话说死。先想“我缺什么信息”，然后调用工具去查，拿到结果（观察）后再想下一步，直到解决问题。
- 关键实现： 依靠 Prompt 强制 LLM 按 Thought: ... Action: ... 格式输出，程序用正则解析 Action 里的工具名和参数。
适用场景： 需要实时信息（查天气、股价）或探索性任务。
优缺点：
- ✅ 透明： 你能看到它每一步在想什么。
- ✅ 灵活： 查错了能根据反馈立刻改。
- ❌ 慢：串行调用，一步一步来。

核心口诀： 先规划 (Plan) -> 后执行 (Solve)。
工作原理：
- 解耦： 把脑力活分成两半。
  1. Planner： 拿到问题先别动，拆解成 [步骤1, 步骤2, 步骤3] 的清单。
  2. Executor： 拿着清单，一步步死板执行。每一步的结果都传给下一步。
适用场景： 逻辑复杂、步骤清晰的任务（如数学应用题、写长报告）。
优缺点：
- ✅ 不跑偏： 有蓝图在手，不会像 ReAct 那样做着做着忘了目标。
- ❌ 不灵活： 计划一旦定死，中间遇到变故很难调整（除非加重规划机制）。

核心口诀： 执行 (Execute) -> 反思 (Reflect) -> 优化 (Refine)。
工作原理：
- 左右互搏： 自己写完代码（初稿），自己换个身份当“毒舌评审员”挑刺（反思），然后根据意见改一版（优化）。
- 关键： 必须有短期记忆记录整个“尝试-被骂-修改”的过程。
适用场景： 对质量要求极高的任务（写代码、写论文、复杂推理）。
优缺点：
- ✅ 质量高： 通过多轮打磨，效果通常远好于一次性生成。
- ❌ 贵且慢： 每一轮都要多调好几次 API，成本翻倍。

范式	角色类比	核心机制	最佳用途
ReAct	侦探	单步循环：想一步做一步	搜索、未知的环境交互
Plan-and-Solve	建筑师	两阶段：先画图纸再施工	复杂数学、流程化任务
Reflection	主编	迭代循环：写完自己改	代码生成、高质内容创作

ReAct 解决“不知道怎么做”的问题（通过探索），Plan-and-Solve 解决“步骤太复杂”的问题（通过拆解），Reflection 解决“做得不够好”的问题（通过自省）；掌握这三者，你就拥有了构建大多数 AI Agent 的底座能力。

本质转变： 从关注“底层代码实现”（如 HTTP 请求、线程管理）转向关注**“业务逻辑编排”**（如审批流程、数据流转）。
三大价值：
1. 降门槛： 产品经理/运营也能造 Agent。
2. 提效率： 原型开发从“天”级缩短到“分”级。
3. 可视化： 调试时能直接看到数据在节点间怎么流，不用盯着黑屏终端看日志。

本章精选了三个代表性平台，分别对应三种不同的开发需求。选对平台，事半功倍。

维度	Coze (扣子)	Dify	n8n
核心定位	C端/运营神器	企业级 LLM 开发平台	工作流自动化工具
上手难度	⭐ (最简单，像玩游戏)	⭐⭐⭐ (需要懂 RAG/模型概念)	⭐⭐⭐⭐ (逻辑强，需懂 API/JSON)
杀手锏	生态集成：一键发布到微信/飞书/公众号；插件库极其丰富。	全栈能力：自带 RAG 引擎、模型管理、运维监控；开源可私有部署。	万能连接：AI 只是其中一个节点，强项在于连接几百个 SaaS 软件（Gmail, Slack, CRM）。
致命弱点	封闭性：目前不支持 MCP 协议；数据和逻辑很难导出到外部系统。	性能瓶颈：Python 后端在高并发下较吃力；学习曲线陡峭。	非持久化：自带的向量库是存内存的，重启就没了（需外挂数据库）。
适用场景	快速做个聊天机器人、公众号助手、验证创意。	构建公司内部知识库助手、复杂的垂直领域业务系统。	邮件自动回复、电商订单自动处理、跨系统数据同步。

① Coze 实战：每日 AI 简报助手 (5.2)

核心逻辑： 多源聚合。
操作流： RSS 插件 (抓新闻) + GitHub 插件 (抓代码) + Arxiv 插件 (抓论文) ➔ LLM 总结 ➔ 输出简报。
关键点： 依靠 Coze 强大的插件市场，你不需要写爬虫代码，直接拖拽现成的插件就能获取实时数据。

② Dify 实战：超级个人助理 (5.3)

核心逻辑： 路由分发 (Router)。
架构： 用户提问 ➔ 分类器 (Classifier) 判断意图 ➔ 分发给不同的小助手（高德地图助手 / 文案润色助手 / 数据分析助手）。
重难点 (MCP)： 案例演示了如何配置 MCP (Model Context Protocol)。这是连接 AI 与外部工具（如高德地图）的新标准，比传统的 API 调用更灵活。
数据分析： 演示了 Text2SQL，让 AI 查数据库并画出柱状图/饼图。

③ n8n 实战：智能邮件回复 (5.4)

核心逻辑： 自动化闭环。
流程： Gmail 触发器 (收到邮件) ➔ Vector Store (查私有知识库：老板几点上班?) ➔ AI Agent (决定是否回复/怎么回) ➔ Gmail Action (发送)。
关键差异： n8n 的思维是“自动化流程”，AI 只是流程中负责“做决定”的一个大脑节点，它能完美嵌入你现有的办公流中。