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thoughtactionobservation存入上下文关键认知Agent Loop不是Prompt技巧是程序运行框架Agent Loop 内部可以运行任意策略ReAct、PlanExecute、Reflexion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ReAct 是Prompt范式是给LLM用的思维模板Agent Loop 是后端代码循环框架标准架构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Functionquery_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原子Skill单一能力查天气、计算复合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. MCPModel 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 MCPModel 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 ProtocolMCP 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依次传递任务辩论模式Debate Agent两个Agent正反论证降低幻觉主管-工人模式Manager-WorkerManager智能体拆解任务分派给Worker子AgentWorker各自运行独立Agent Loop完成子任务汇总结果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 / PlanExecute / Reflexion ├─ 能力库Skills封装后的业务能力 ↓ 【通信与标准层】 MCP / Function CallingToolUse 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概念类型核心作用ToolUse底层能力大模型调用外部函数的基础能力ReActPrompt策略范式指导Agent每一轮如何思考与行动Agent Loop程序运行框架实现多轮「思考-行动-反馈」持续迭代Skills能力封装抽象将零散工具打包为可复用业务能力MCP通信协议标准标准化 LLM ↔ 外部工具交互Multi-Agent系统架构模式多个独立智能体分工协作补充工程落地选型经验简单任务单次ToolUse足够不需要上Agent Loop需要连续调用工具、自主试错Agent Loop ReAct入门首选LangGraph基础方案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。
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thoughtactionobservation存入上下文关键认知Agent Loop不是Prompt技巧是程序运行框架Agent Loop 内部可以运行任意策略ReAct、PlanExecute、Reflexion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ReAct 是Prompt范式是给LLM用的思维模板Agent Loop 是后端代码循环框架标准架构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Functionquery_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原子Skill单一能力查天气、计算复合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. MCPModel 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 MCPModel 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 ProtocolMCP 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依次传递任务辩论模式Debate Agent两个Agent正反论证降低幻觉主管-工人模式Manager-WorkerManager智能体拆解任务分派给Worker子AgentWorker各自运行独立Agent Loop完成子任务汇总结果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 / PlanExecute / Reflexion ├─ 能力库Skills封装后的业务能力 ↓ 【通信与标准层】 MCP / Function CallingToolUse 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概念类型核心作用ToolUse底层能力大模型调用外部函数的基础能力ReActPrompt策略范式指导Agent每一轮如何思考与行动Agent Loop程序运行框架实现多轮「思考-行动-反馈」持续迭代Skills能力封装抽象将零散工具打包为可复用业务能力MCP通信协议标准标准化 LLM ↔ 外部工具交互Multi-Agent系统架构模式多个独立智能体分工协作补充工程落地选型经验简单任务单次ToolUse足够不需要上Agent Loop需要连续调用工具、自主试错Agent Loop ReAct入门首选LangGraph基础方案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。
)
