引言

本文将基于经典的AI Agent架构范式，结合手写笔记中的核心设计，详细拆解4种主流架构模式，配套可直接复用的Mermaid流程图、开箱即用的JavaScript（Node.js）实战代码，同时分析各架构的优缺点与适用场景，帮助你从0到1理解并落地AI Agent。

本文代码基于OpenAI GPT模型实现，兼容Node.js环境，所有代码均可直接运行，只需替换自己的API Key即可。

前置环境准备

所有代码示例均基于以下依赖，先执行安装命令：

# 安装核心依赖
npm install openai dotenv

在项目根目录创建.env文件，配置你的API密钥：

OPENAI_API_KEY=你的OpenAI API Key
OPENAI_BASE_URL=https://api.openai.com/v1 # 可替换为兼容的代理地址

一、基础单轮Tool Calling Agent（入门级智能体）

核心原理

这是所有AI Agent的基础形态，也是最容易理解的架构。核心逻辑是：给LLM定义角色规则与可用工具集，用户输入任务后，LLM单次决策是否需要调用工具、调用哪个工具，最终整合工具结果生成回答。

整个流程只有单次决策循环，没有复杂的多轮推理，适合简单的工具调用场景，也是手写笔记中最顶层的基础Agent流程。

流程图（Mermaid）

完整JavaScript实现代码

require('dotenv').config();
const OpenAI = require('openai');

// 初始化OpenAI客户端
const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
  baseURL: process.env.OPENAI_BASE_URL,
});

// 1. 定义工具集：这里实现2个常用工具（计算器+天气查询）
const tools = [
  {
    type: "function",
    function: {
      name: "calculator",
      description: "通用计算器，支持加减乘除四则运算",
      parameters: {
        type: "object",
        properties: {
          expression: {
            type: "string",
            description: "要计算的数学表达式，例如：100*20+50",
          },
        },
        required: ["expression"],
      },
    },
  },
  {
    type: "function",
    function: {
      name: "get_weather",
      description: "查询指定城市的实时天气",
      parameters: {
        type: "object",
        properties: {
          city: {
            type: "string",
            description: "要查询的城市名称，例如：北京",
          },
        },
        required: ["city"],
      },
    },
  },
];

// 2. 实现工具的执行逻辑
async function executeTool(toolName, toolArgs) {
  switch (toolName) {
    case "calculator":
      try {
        // 安全执行表达式计算
        const result = eval(toolArgs.expression);
        return `计算结果：${toolArgs.expression} = ${result}`;
      } catch (e) {
        return `计算失败：表达式格式错误，${e.message}`;
      }
    case "get_weather":
      // 模拟天气接口，实际场景可替换为真实天气API
      const mockWeather = {
        "北京": "晴，10-18℃，北风3级",
        "上海": "小雨，15-22℃，东风2级",
        "深圳": "多云，20-28℃，南风1级",
      };
      const weather = mockWeather[toolArgs.city] || `暂无${toolArgs.city}的天气数据`;
      return `${toolArgs.city}实时天气：${weather}`;
    default:
      return `未知工具：${toolName}，暂不支持该工具调用`;
  }
}

// 3. 基础单轮Agent主逻辑
async function baseAgent(userInput) {
  console.log(`用户输入：${userInput}\n`);

  // 第一轮调用LLM，判断是否需要调用工具
  const response = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [
      {
        role: "system",
        content: "你是一个智能助手，你可以使用提供的工具完成用户的需求，优先使用工具解决问题，不要编造信息。",
      },
      { role: "user", content: userInput },
    ],
    tools: tools,
    tool_choice: "auto", // 让LLM自动决定是否调用工具
  });

  const responseMessage = response.choices[0].message;

  // 如果LLM决定调用工具
  if (responseMessage.tool_calls && responseMessage.tool_calls.length > 0) {
    const toolCalls = responseMessage.tool_calls;
    console.log(`LLM决定调用工具：${toolCalls.map(item => item.function.name).join(', ')}\n`);

    // 执行所有工具调用
    const toolResults = [];
    for (const toolCall of toolCalls) {
      const toolName = toolCall.function.name;
      const toolArgs = JSON.parse(toolCall.function.arguments);
      const result = await executeTool(toolName, toolArgs);
      toolResults.push({
        tool_call_id: toolCall.id,
        role: "tool",
        name: toolName,
        content: result,
      });
      console.log(`工具${toolName}执行结果：${result}\n`);
    }

    // 把工具结果回传给LLM，生成最终回答
    const finalResponse = await client.chat.completions.create({
      model: "gpt-3.5-turbo",
      messages: [
        {
          role: "system",
          content: "你是一个智能助手，根据工具执行结果，给用户清晰、准确的回答。",
        },
        { role: "user", content: userInput },
        responseMessage,
        ...toolResults,
      ],
    });

    return finalResponse.choices[0].message.content;
  }

  // 不需要调用工具，直接返回回答
  return responseMessage.content;
}

// 测试Agent
(async () => {
  // 测试1：需要调用工具的场景
  const result1 = await baseAgent("北京今天的天气是多少？帮我计算123*456+789的结果");
  console.log("最终回答：", result1);

  // 测试2：不需要调用工具的场景
  // const result2 = await baseAgent("介绍一下什么是AI Agent");
  // console.log("最终回答：", result2);
})();

优缺点&适用场景

维度	详情
优点	实现简单、延迟低、资源消耗少、逻辑清晰易维护
缺点	无法处理多步骤复杂任务、无自主推理能力、无法动态调整执行策略
适用场景	单轮工具调用、简单问答、客服机器人、固定流程的工具查询场景

二、ReAct 架构：推理-行动循环智能体

核心原理

ReAct（Reasoning + Action）是AI Agent最经典的架构范式，也是手写笔记中重点标注的核心架构。它的核心设计是把“思考推理”和“行动执行”解耦，通过多轮循环完成任务。

每一轮循环都遵循固定的3步流程：

Reasoning（推理）：LLM基于当前任务和历史信息，思考“我现在要做什么、为什么要做、下一步该怎么行动”；
Action（行动）：基于推理结果，执行具体动作（调用工具、查询数据等）；
Observation（观察）：获取行动的执行结果，作为下一轮推理的输入。

循环会持续执行，直到LLM判断任务已经完成，输出最终结果。这种边想边做的模式，让Agent具备了多步复杂任务的处理能力，可解释性极强。

流程图（Mermaid）

完整JavaScript实现代码

require('dotenv').config();
const OpenAI = require('openai');

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
  baseURL: process.env.OPENAI_BASE_URL,
});

// 工具集定义（扩展了搜索工具，适配多步任务）
const tools = [
  {
    type: "function",
    function: {
      name: "web_search",
      description: "网页搜索工具，查询互联网上的实时信息、最新数据",
      parameters: {
        type: "object",
        properties: {
          keyword: {
            type: "string",
            description: "搜索关键词",
          },
        },
        required: ["keyword"],
      },
    },
  },
  {
    type: "function",
    function: {
      name: "calculator",
      description: "通用计算器，支持加减乘除四则运算",
      parameters: {
        type: "object",
        properties: {
          expression: {
            type: "string",
            description: "要计算的数学表达式",
          },
        },
        required: ["expression"],
      },
    },
  },
];

// 工具执行逻辑
async function executeTool(toolName, toolArgs) {
  switch (toolName) {
    case "calculator":
      try {
        const result = eval(toolArgs.expression);
        return `计算结果：${toolArgs.expression} = ${result}`;
      } catch (e) {
        return `计算失败：${e.message}`;
      }
    case "web_search":
      // 模拟搜索接口，实际场景可替换为Serper/Google搜索API
      const mockSearchData = {
        "2026年北京4月平均气温": "2026年北京4月平均气温为8-20℃，平均降水天数为5天",
        "2026年北京4月天气趋势": "2026年北京4月上旬以晴天为主，中旬有2次小雨，下旬气温回升至25℃左右",
        "北京4月穿衣指南": "北京4月建议穿薄外套+长袖内搭，早晚温差大，可备一件薄毛衣",
      };
      const result = mockSearchData[toolArgs.keyword] || `未搜索到【${toolArgs.keyword}】的相关信息`;
      return `搜索结果：${result}`;
    default:
      return `未知工具：${toolName}`;
  }
}

// ReAct Agent 主逻辑
async function reactAgent(userInput, maxLoop = 5) {
  console.log(`用户任务：${userInput}\n`);
  // 历史消息数组，保存完整的推理-行动-观察流程
  const messages = [
    {
      role: "system",
      content: `
你是一个ReAct架构的AI智能体，严格按照以下流程完成用户任务：
1. 思考（Thought）：先分析用户的需求，明确你需要做什么，下一步要执行什么动作，必须清晰说明你的推理过程
2. 行动（Action）：基于思考结果，决定调用哪个工具，必须严格按照工具定义的格式调用
3. 观察（Observation）：获取工具执行的结果，基于结果进行下一轮思考

循环执行以上3步，直到你确认任务已经完成，再输出最终答案。
注意：
- 每次只执行一个动作，不要一次调用多个工具
- 不要编造信息，所有数据必须来自工具执行结果
- 当你获取了足够的信息，直接输出最终答案，不要多余循环
- 输出格式：
  Thought: 你的推理思考内容
  Action: 要调用的工具名称和参数
      `,
    },
    { role: "user", content: userInput },
  ];

  // 循环执行ReAct流程，限制最大循环次数防止死循环
  for (let i = 0; i < maxLoop; i++) {
    console.log(`========== 第${i+1}轮ReAct循环 ==========`);
    // 调用LLM生成思考和行动
    const response = await client.chat.completions.create({
      model: "gpt-3.5-turbo",
      messages: messages,
      tools: tools,
      tool_choice: "auto",
    });

    const responseMessage = response.choices[0].message;
    console.log(`LLM输出：\n${responseMessage.content}\n`);

    // 如果LLM没有调用工具，说明任务完成，直接返回结果
    if (!responseMessage.tool_calls || responseMessage.tool_calls.length === 0) {
      console.log("任务完成，结束循环");
      return responseMessage.content;
    }

    // 执行工具调用
    const toolCall = responseMessage.tool_calls[0];
    const toolName = toolCall.function.name;
    const toolArgs = JSON.parse(toolCall.function.arguments);
    console.log(`执行工具调用：${toolName}，参数：${JSON.stringify(toolArgs)}`);

    const toolResult = await executeTool(toolName, toolArgs);
    console.log(`观察结果：${toolResult}\n`);

    // 把本轮的思考、行动、观察结果加入历史消息，进入下一轮循环
    messages.push(responseMessage);
    messages.push({
      tool_call_id: toolCall.id,
      role: "tool",
      name: toolName,
      content: toolResult,
    });
  }

  // 达到最大循环次数，返回最终结果
  const finalResponse = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [
      ...messages,
      { role: "user", content: "你已经达到最大循环次数，请基于已有信息输出最终答案" },
    ],
  });
  return finalResponse.choices[0].message.content;
}

// 测试ReAct Agent
(async () => {
  const result = await reactAgent("2026年北京4月的天气怎么样？我要去北京出差7天，帮我制定一份穿衣指南");
  console.log("\n最终回答：\n", result);
})();

优缺点&适用场景

维度	详情
优点	具备多步复杂任务处理能力、推理过程可解释、可动态调整执行策略、容错率高
缺点	循环次数过多会导致延迟升高、长任务容易出现上下文偏移、不适合超大型任务的宏观规划
适用场景	信息检索、多步工具调用、数据分析、问题排查、自动化脚本执行等需要边推理边执行的场景

三、Plan & Execute 架构：规划-执行分步智能体

核心原理

Plan & Execute（规划-执行）架构的核心设计是先规划、后执行，区别于ReAct的“边想边做”，它会先把用户的大任务拆解成结构化、可执行的子步骤，生成完整的执行计划，再逐个执行子步骤，执行过程中可根据结果动态调整计划。

这种架构把“规划能力”和“执行能力”解耦，适合长流程、多节点的复杂任务，也是手写笔记中重点标注的第二种核心架构。

流程图（Mermaid）

完整JavaScript实现代码

require('dotenv').config();
const OpenAI = require('openai');

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
  baseURL: process.env.OPENAI_BASE_URL,
});

// 1. 规划器：负责拆解任务，生成执行计划
async function planGenerator(userInput) {
  const response = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [
      {
        role: "system",
        content: `
你是一个专业的任务规划师，用户会给你一个复杂的大任务，你需要把它拆解成3-6个可执行、顺序执行的子步骤，生成结构化的执行计划。
要求：
1. 每个子步骤必须清晰、具体，可独立执行
2. 步骤之间有明确的先后顺序，前一个步骤的结果会作为后一个步骤的输入
3. 输出格式严格为JSON数组，每个元素包含stepNumber(步骤序号)、stepName(步骤名称)、stepDesc(步骤详细描述)，不要输出其他内容
示例：
[{"stepNumber":1,"stepName":"确定博客大纲","stepDesc":"根据用户需求，确定AI Agent博客的章节结构和核心内容"},{"stepNumber":2,"stepName":"收集核心资料","stepDesc":"搜索AI Agent架构的相关资料，整理核心原理和案例"}]
        `,
      },
      { role: "user", content: userInput },
    ],
  });

  try {
    return JSON.parse(response.choices[0].message.content);
  } catch (e) {
    throw new Error(`计划生成失败：${e.message}，LLM输出：${response.choices[0].message.content}`);
  }
}

// 2. 执行器：负责执行单个子步骤
async function stepExecutor(step, historyResults) {
  const response = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [
      {
        role: "system",
        content: `
你是一个专业的任务执行器，负责执行计划中的单个子步骤，结合之前步骤的执行结果，完成当前步骤的任务。
要求：
1. 严格按照步骤描述执行任务，不要偏离需求
2. 输出内容要完整、详细，符合步骤要求
3. 不要输出无关内容，只输出当前步骤的执行结果
        `,
      },
      {
        role: "user",
        content: `
之前步骤的执行结果：
${JSON.stringify(historyResults, null, 2)}

当前需要执行的步骤：
步骤序号：${step.stepNumber}
步骤名称：${step.stepName}
步骤描述：${step.stepDesc}

请完成当前步骤的执行，输出执行结果。
        `,
      },
    ],
  });

  return {
    stepNumber: step.stepNumber,
    stepName: step.stepName,
    result: response.choices[0].message.content,
  };
}

// 3. 整合器：负责整合所有步骤的结果，生成最终输出
async function resultIntegrator(userInput, allStepResults) {
  const response = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [
      {
        role: "system",
        content: `
你是一个内容整合专家，用户的原始任务和所有子步骤的执行结果已经给出，你需要把这些结果整合起来，生成一份完整、流畅、逻辑清晰的最终结果。
要求：
1. 严格贴合用户的原始需求，不要偏离主题
2. 保留所有核心信息，结构清晰，可读性强
3. 不要遗漏任何步骤的关键内容
        `,
      },
      {
        role: "user",
        content: `
用户原始任务：${userInput}

所有子步骤的执行结果：
${JSON.stringify(allStepResults, null, 2)}

请整合以上内容，生成最终的完整结果。
        `,
      },
    ],
  });

  return response.choices[0].message.content;
}

// 4. Plan & Execute Agent 主逻辑
async function planExecuteAgent(userInput) {
  console.log(`用户任务：${userInput}\n`);

  // 第一步：生成执行计划
  console.log("========== 1. 生成执行计划 ==========");
  const plan = await planGenerator(userInput);
  console.log(`生成的执行计划：\n${JSON.stringify(plan, null, 2)}\n`);

  // 第二步：循环执行每个子步骤
  console.log("========== 2. 执行计划步骤 ==========");
  const stepResults = [];
  for (const step of plan) {
    console.log(`正在执行步骤${step.stepNumber}：${step.stepName}`);
    const stepResult = await stepExecutor(step, stepResults);
    stepResults.push(stepResult);
    console.log(`步骤${step.stepNumber}执行完成，结果：\n${stepResult.result}\n`);
  }

  // 第三步：整合所有结果，生成最终输出
  console.log("========== 3. 整合最终结果 ==========");
  const finalResult = await resultIntegrator(userInput, stepResults);

  return finalResult;
}

// 测试Plan & Execute Agent
(async () => {
  const result = await planExecuteAgent("写一篇关于AI Agent Plan & Execute架构的技术博客，包含原理、流程图、代码示例、适用场景");
  console.log("\n最终博客内容：\n", result);
})();

优缺点&适用场景

维度	详情
优点	适合超大型长流程任务、任务拆解清晰可控、可并行执行子步骤、宏观规划能力强、可对接ReAct作为执行器
缺点	初始计划不合理会导致执行偏差、动态调整能力弱于ReAct、实现复杂度更高
适用场景	长文案创作、项目开发、数据分析报告、多步骤自动化流程、大型内容生成等需要先规划后执行的场景

四、Reflection 自省架构：迭代优化智能体

核心原理

Reflection（自省/反思）架构的核心是引入“自我评判+迭代优化”的闭环，通过双LLM分工（生成器+反思器），让Agent具备自我纠错、自我优化的能力。

核心流程分为3个环节：

生成环节：生成器LLM基于用户需求，生成初始内容/结果；
反思环节：反思器LLM基于用户需求，评判生成结果的质量，指出问题、给出具体的优化建议；
迭代环节：把反思结果和初始内容回传给生成器，重新优化生成，直到结果符合要求。

这种架构极大提升了输出内容的质量，适合对结果精度、完整性、规范性有高要求的场景，也是手写笔记中重点标注的第三种核心架构。

流程图（Mermaid）

完整JavaScript实现代码

require('dotenv').config();
const OpenAI = require('openai');

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
  baseURL: process.env.OPENAI_BASE_URL,
});

// 1. 生成器：负责生成初始内容和迭代优化
async function generatorLLM(userInput, historyDraft = "", reflectionAdvice = "") {
  const messages = [
    {
      role: "system",
      content: `
你是一个专业的内容生成专家，根据用户的需求生成高质量的内容。
如果有历史草稿和反思优化建议，你需要严格按照优化建议，对历史草稿进行修改和优化，生成更符合要求的内容。
要求：
1. 内容完整、逻辑清晰、专业严谨
2. 严格贴合用户的需求，不要偏离主题
3. 针对优化建议，必须逐条修改，不要遗漏问题
      `,
    },
    { role: "user", content: userInput },
  ];

  // 如果有历史草稿和反思建议，加入上下文
  if (historyDraft && reflectionAdvice) {
    messages.push({
      role: "user",
      content: `
历史草稿：
${historyDraft}

反思优化建议：
${reflectionAdvice}

请根据优化建议，对历史草稿进行全面优化，生成新的内容。
      `,
    });
  }

  const response = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: messages,
  });

  return response.choices[0].message.content;
}

// 2. 反思器：负责评判内容质量，给出优化建议
async function reflectorLLM(userInput, draftContent) {
  const response = await client.chat.completions.create({
    model: "gpt-3.5-turbo",
    messages: [
      {
        role: "system",
        content: `
你是一个专业的内容质量评判专家，用户的原始需求和生成的草稿内容已经给出，你需要：
1. 从完整性、准确性、逻辑性、专业性、可读性5个维度，评判草稿内容是否符合用户需求
2. 指出草稿中存在的所有问题，越具体越好
3. 给出逐条对应的优化建议，可落地、可执行
4. 最后给出评判结果：通过/不通过。只有当内容完全符合用户需求，没有明显问题时，才能给出“通过”的结果
要求：输出结构清晰，先给出整体评判，再列出问题和优化建议，最后给出评判结果。
        `,
      },
      {
        role: "user",
        content: `
用户原始需求：${userInput}

生成的草稿内容：
${draftContent}

请按照要求完成质量评判和优化建议输出。
        `,
      },
    ],
  });

  const reflectionResult = response.choices[0].message.content;
  // 提取是否通过的结果
  const isPass = reflectionResult.includes("评判结果：通过") || reflectionResult.includes("最终结果：通过");
  return {
    isPass,
    advice: reflectionResult,
  };
}

// 3. Reflection Agent 主逻辑
async function reflectionAgent(userInput, maxIteration = 3) {
  console.log(`用户需求：${userInput}\n`);
  let currentDraft = "";
  let iterationCount = 0;

  // 第一轮生成初始草稿
  console.log("========== 第1轮：生成初始草稿 ==========");
  currentDraft = await generatorLLM(userInput);
  console.log(`初始草稿生成完成：\n${currentDraft}\n`);

  // 循环反思迭代
  while (iterationCount < maxIteration) {
    iterationCount++;
    console.log(`========== 第${iterationCount}轮：反思评判 ==========`);

    // 反思器评判
    const reflectionResult = await reflectorLLM(userInput, currentDraft);
    console.log(`反思结果：\n${reflectionResult.advice}\n`);

    // 如果通过，直接返回结果
    if (reflectionResult.isPass) {
      console.log("内容通过评判，结束迭代");
      return currentDraft;
    }

    // 未通过，且未达到最大迭代次数，重新生成
    if (iterationCount < maxIteration) {
      console.log(`========== 第${iterationCount+1}轮：迭代优化 ==========`);
      currentDraft = await generatorLLM(userInput, currentDraft, reflectionResult.advice);
      console.log(`优化后的内容：\n${currentDraft}\n`);
    }
  }

  // 达到最大迭代次数，返回最终内容
  console.log("达到最大迭代次数，返回最终内容");
  return currentDraft;
}

// 测试Reflection Agent
(async () => {
  const result = await reflectionAgent("用JavaScript写一个快速排序算法，要求代码规范、有详细注释、有测试用例、有算法复杂度分析");
  console.log("\n最终优化完成的内容：\n", result);
})();

优缺点&适用场景

维度	详情
优点	输出内容质量极高、具备自我纠错能力、可定制评判标准、适配高要求的生成场景
缺点	Token消耗大、延迟高、迭代次数不可控、对LLM的评判能力要求高
适用场景	代码生成、文案创作、方案设计、报告撰写、学术内容生成等对质量有高要求的场景

五、工业级融合架构：Plan + ReAct + Reflection 全链路智能体

核心原理

在实际的工业级落地场景中，很少单独使用某一种架构，而是把以上3种架构融合起来，形成**“先规划 → 再用ReAct执行每个步骤 → 最后用Reflection反思优化”**的全链路架构，这也是手写笔记最右侧标注的完整Agent流程。

这种融合架构兼顾了宏观规划能力、多步执行能力和质量优化能力，是目前AutoGPT、LangGraph、CrewAI等主流Agent框架的核心设计思路。

流程图（Mermaid）

实现思路

基于前文的3个基础架构，你可以快速搭建融合架构：

复用planGenerator作为全局规划器，拆解大任务；
每个子步骤调用reactAgent作为执行器，完成多步工具调用和推理；
每个子步骤执行完成后，调用reflectorLLM做单步质量校验，不合格则重新执行；
所有步骤执行完成后，做全局内容整合和最终的Reflection优化，输出结果。

六、总结与架构选型建议

核心架构对比总表

架构模式	核心能力	实现难度	延迟	资源消耗	核心优势
基础Tool Calling	单轮工具调用	极低	低	极低	简单易用，适合入门
ReAct	多步推理执行	中等	中等	中等	可解释性强，适配通用复杂任务
Plan & Execute	长任务规划执行	较高	高	较高	宏观规划能力强，适配超大型任务
Reflection	自我优化迭代	较高	高	高	输出质量高，适配高标准生成场景

选型建议

简单工具查询、客服场景：优先选择基础Tool Calling Agent，轻量高效；
信息检索、多步工具调用、问题排查：优先选择ReAct架构，边想边做，灵活可控；
长文案创作、项目开发、大型报告生成：优先选择Plan & Execute架构，先规划后执行，结构清晰；
代码生成、方案设计、高质量内容创作：优先选择Reflection架构，迭代优化，保障输出质量；
工业级复杂场景（自动化办公、全流程AI助手）：选择Plan + ReAct + Reflection融合架构，兼顾所有能力。

AI Agent 核心架构模式全解析：从原理、流程图到JavaScript实战代码