从 ReAct 到 Plan-and-Solve，五种主流 Agent 架构详解
AI Agent 的核心是 Agent Loop —— 模型不断"思考 → 调用工具 → 观察结果 → 再思考"的循环。本文详解 ReAct、Plan-and-Solve、Reflexion 等 5 种主流架构的设计思路和适用场景。
纯对话模型有个瓶颈：它一次只能生成一个回复，不能"先查资料再回答"。Agent Loop 让 AI 具备了多步推理能力 —— 它可以： 1. 决定需要用什么工具 2. 调用工具拿到结果 3. 根据结果再做下一个决定 4. 重复直到完成任务 这就是 MCP Skill 存在的意义 —— 给 Agent 提供工具。
最经典也最常用的 Agent 模式： Loop { Thought: 我现在要做什么 Action: 调用某个工具（MCP Tool Call） Observation: 工具返回的结果 } LLM 决定 Thought 和 Action，工具负责 Observation。AI IDE（Trae / Cursor / Claude Desktop）基本都是 ReAct 架构。优点：简单直接，缺点：容易陷入死循环或走弯路。
先规划，再执行： Plan 阶段：AI 先生成完整的执行计划（步骤列表） Solve 阶段：AI 按计划逐步执行，每步可能触发 ReAct 适合复杂长任务（写一本书、完成一个数据分析项目）。缺点：计划可能在执行中需要调整。
让 AI 复盘自己的失败： Loop { // ReAct 执行任务 // 失败后 Reflection: AI 反思刚才哪里做错了 // 下一轮带上反思继续尝试 } Reflexion 显著提高复杂任务的成功率，特别是编程 Agent 的调试场景。
多个 Agent 分工协作： - Planner Agent 负责拆解任务 - Researcher Agent 负责查资料 - Coder Agent 负责写代码 - Critic Agent 负责 review 输出 适合复杂项目（跨团队协作场景）。但多 Agent 之间的信息同步和调度是难点。
| 场景 | 推荐架构 | |------|----------| | 日常办公自动化 | ReAct 就行 | | 长文档 / 数据分析 | Plan-and-Solve + ReAct | | 编程 / 调试场景 | ReAct + Reflexion | | 大项目 / 多角色 | Multi-Agent | 好消息是 —— 如果你用 Trae / Cursor，这些架构细节 IDE 已经帮你封装好了。你只需要把 MCP Skill 接进去，Agent Loop 自动帮你跑。