Agent 的 3 种工作大脑: ReAct · Reflection· 规划执行

开篇：你手下其实有三个 AI

HOOK · 三种性格的打工人

基于ReAct、Reflection(反思)、Plan-And-Execute(规划执行)这三种架构的Agent，你可以简单理解为它们就是三种性格的打工人。

小 A 边查边干。你问他"这周有哪些值得关注的开源项目"，他不会先列提纲，而是先搜索，看了结果再决定下一步搜什么，走一步看一步。这是ReAct。

**小 B 做完还要自己改。**第一版写好了，他会自己通读一遍挑毛病，然后重写，再挑毛病再重写，直到满意。这是反思(Reflection)。

小 C 先交计划再动手。开工前先给你一份五步计划书，然后按部就班执行。这是规划执行(Plan-And-Execute)。

这三种模式，就是 2026 年你在几乎任何主流 Agent 框架里都能见到的三种最基础的大脑。后面那些看着很唬人的架构（LangGraph 的状态机、AutoGen 的多智能体、各种 Agent SDK 的编排），拆开来看，基本都是这三样的排列组合。所以搞懂这三样，看任何框架文档都能秒懂它在干什么。

02

PART

小白也能懂：三种模式的定义

BASICS · 三种"大脑"的运作方式

ReAct：边想边做，做中学

ReAct 是**Reasoning + Acting（推理 + 行动）**的缩写。它不要求模型动手前想好一切，而是把"思考"和"行动"织进同一个循环：

Thought（我想） → Action（我做） → Observation（我看到了什么） → 再思考…

用做饭打比方：你进厨房不会先在脑子里完整模拟一遍"番茄炒蛋"再开火——你是先开火、倒油、下番茄，炒着炒着发现汁水多了，才决定大火收汁。ReAct 就是这个节奏：每一步都根据刚刚看到的新信息，决定下一步干什么。

它解决的核心问题是：很多问题在动手之前拿不到关键信息。“今天适合晨跑吗？”——不查天气和空气质量，模型永远答不准。ReAct 就是让它先想"我需要数据"→ 调工具 → 看到数据 → 再想"根据数据怎么给建议" → 输出。现在的 Claude、ChatGPT 这类产品，底层跑的就是这个循环。

Reflection：先做，再自己挑刺

反思模式让 Agent 当自己的质检员。它不在乎一次生成得对不对，它赌的是——第二轮肯定比第一轮好。

生成一版答案 → 自己评估有什么毛病 → 根据毛病重写 → 再评估 → 满意就交稿

类比：写完作文初稿，你自己通读一遍，圈出"这段逻辑不通"“这个例子太空”，改出二稿。反思就是把这个"自己审稿"的动作制度化、循环化。

为什么有用？因为大模型有个毛病——它生成答案时是"自信地编"，一次生成的答案经常流畅但不准确。给它一个二次机会审视自己的输出，很多低级错误能自己揪出来。我实测过写代码任务：加上一轮反思，编译错误率能降一半以上（数据在后面）。

注意，反思有两副面孔：自我反思（同一个模型自己评价自己，省钱，但容易自我感觉良好）和换裁判（另一个模型当质检员，也就是 LLM-as-Judge，更客观，但贵一倍）。这俩差别很大，后面细说。

Plan-And-Execute：先交计划，再照单执行

规划执行把 Agent 拆成两个角色：**规划器（Planner）**负责把大任务拆成步骤清单，**执行器（Executor）**负责一步步照做。

Planner：任务 → [步骤1, 步骤2, 步骤3, …]
Executor：逐条执行（某步失败 → 带着失败原因回去重新规划）

类比：出差前先做行程单——机票哪天、酒店订哪、第一天去哪。执行的时候就不用反复"动脑子"了，照着单子走。它最大的收益是省 token：规划只做一次，执行每个步骤时上下文里只放当前这一步。代价是灵活性差——计划赶不上变化的时候，它容易抓瞎。

03

PART

开发者实战：三种模式的核心循环

HANDS-ON · 不贴完整代码，只给骨架

用同一个需求——“调研 2026 年值得关注的开源 Agent 框架”——看三种模式的核心循环长什么样。不贴完整代码，只给骨架。

ReAct：一个 while 循环搞定

…skeleton

核心循环：Thought → Action → Observation

while 没交卷:

思考(当前上下文) # Thought

调工具(如果需要) # Action

上下文 += 工具结果 # Observation

每轮都重发完整历史 → token 贵的根源

核心就一句话：**每轮把完整对话历史重发一遍，直到模型认为信息够了、直接回答。**这也是它 token 贵的根源。两个必踩的坑：循环次数不能无限次，max_steps 必须设——我见过 Agent 因为工具返回格式不对，连调 50 次，token 费比任务本身还贵；工具返回格式必须和 schema 严格一致，不一致模型会反复调同一个工具试图"理解"。

反思：生成 → 评估 → 重写

…skeleton

answer = 生成(问题) # 第一版答案

while 评估(answer).分数 < 阈值: # 自己当质检员

answer = 重写(answer, 评估意见)

阈值必须设，否则白烧钱

两个设计点要强调：满意阈值必须设——反思不是免费的，我见过团队把反思开到 5 轮，结果 70% 的答案第一轮就是好的，白烧了 4 轮的钱；代码类任务自己反思就够，写作/方案类建议换裁判模型——让模型自己夸自己写的东西，和让人类自己夸自己一样不靠谱。

规划执行：规划器 + 执行器

…skeleton

plan = 规划器(任务) # 拆成步骤清单

for 步骤 in plan:

执行器(步骤) # 每步只带当前步骤上下文

某步失败 → 带着失败原因重新规划 (re-plan)

省 token 的秘密就在"每步只带当前步骤的上下文"——不用每次重放整个任务背景。但省下来的代价是灵活性：如果计划里第 2 步失败，后面步数全部作废。所以生产环境必须带 re-plan；没有 re-plan 的规划执行，就是个精致的纸老虎。

三版实测对比

同一个需求、同一个模型，在我本机各跑了一遍。数字是单次测试，模型和 temperature 都会影响，别当基准，但量级和趋势是稳的：

三个数字一摆，前面的"三种性格"就具象了：小 A（ReAct）最能随机应变但最费钱；小 B（反思）质量最高但也最慢最贵，而且它只能改稿子，改不了已经干出去的事；小 C（规划执行）最省钱但最怕意外；

04

PART

进阶思考：区别与组合

ARCHITECTURE · 怎么选，以及它们其实总在一起

先上一张完整的区别表，这是全文的核心，建议收藏：

三选一？不，生产环境都是组合拳

讲个反直觉的事：**真实生产环境里，几乎没有哪个正经 Agent 只用其中一种。**我见过的架构基本是这个套路：ReAct 是地基（任何需要调用工具的循环，默认就是它）；复杂任务外层套规划执行把大方向定死，每个子步骤内部再跑 ReAct 应付细节；交付前最后加一轮反思做质检，把低级错误挡在门外。

**举个例子：**一个"自动写行业调研报告"的 Agent——规划执行负责定"搜什么→看什么→怎么写"的框架，每个"搜"的子步骤内部用 ReAct 决定搜什么词、看哪几页，最后整个报告生成完了，反思环节通读一遍补漏删错。三种性格各司其职，这才是 2026 年生产级 Agent 的真实长相。

我的 3 个判断问题

做技术选型时别问"哪个最好"，问自己三个问题：

判断 1

任务需要外部信息、可能中途转向？

需要 → 用 ReAct。这是它唯一不可替代的价值。

判断 2

任务 70% 的步骤能提前确定？

能 → 认真考虑规划执行，token 直接省一半（上面实测 42k → 18k）。

判断 3

输出质量是生命线、且允许反复改？

是 → 加反思环节，但轮数压到 2 轮以内。

反思被严重高估了。80% 的质量提升在第一轮反思就拿到了，第二轮边际收益骤降，第三轮开始原地打转甚至改坏。它不是在"提高质量"，而是在"花两倍的钱买 15% 的质量提升"，值不值取决于场景。

规划执行被严重低估了。大部分人一上来就写 ReAct，因为它"最通用"。但很多任务根本不需要每步都重新思考——比如周报、批处理、定时报表这类结构固定的活。用规划执行 token 省一半，稳定性还更高，只是它的前提（任务结构稳定）经常被忽略，导致翻车后被一棍子打死。

2026 年的几点观察

**各家官方 SDK 默认给 ReAct。**Claude 的 computer-use、OpenAI 的 agent 都是，因为它最通用、最不会错。

**LangGraph 把规划执行图式化。**变成显式的图结构，你可以精确控制每个节点，代价是心智负担。

**反思正在被"外包"。**很多团队不再让 Agent 自我反思，而是用另一个模型甚至规则去质检，因为"自己查自己"天然不可靠。

**趋势是进一步融合。**框架帮你做组合，你只需要描述任务，架构由框架替你拼。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】