白云苍狗的小站

从归档页浏览技术内容

站点提供 Home、Archives、Links、Projects 与 About 等导航，归档页按年份列出文章。读者既可以查找前端主题开发、VitePress 迁移和自建计数器等实践，也可以从最新的 Agent 文章进入 AI 应用主题。文章以中文解释技术概念，并使用分节标题拆分工作原理、特点和使用场景，便于按需跳读。

LLM Agent 专题的核心阅读价值，是把常见结构放到同一张地图中比较。简单任务可能只需一次模型生成；需要外部信息时则要连接工具；任务更复杂时，还可能增加计划、状态、记忆或多个执行角色。范式越复杂，系统可以处理的流程通常越丰富，但实现、调试和评估的工作也会相应增加。

从单步回答到 ReAct

单步回答型是最基础的模式：系统接收用户输入，调用模型生成回复，然后直接返回。它实现简单、响应快，适合翻译、简单解释和无需实时信息的常见问答。因为没有额外工具或验证环节，系统的结果主要取决于模型自身知识；当任务依赖最新数据、外部状态或多步操作时，这种结构就不够用。

链式思维型会在最终答案之前组织中间推导步骤，适合需要拆解的逻辑或多步骤任务。它仍主要依靠模型已有知识，不会自动取得实时资料，也不一定能根据实际执行结果修正计划。工程应用中应关注最终任务是否完成和结果是否可靠，避免把“输出了较长过程”直接当成正确性的保证。

ReAct 将推理与行动结合起来。模型可以提出下一步操作，通过工具查询或执行动作取得反馈，再依据反馈继续处理。这个循环适合需要实时数据、外部 API 或多步任务的场景。它的代价是需要管理工具权限、执行错误、循环停止条件和响应时间；如果工具结果不可信或调用范围过大，Agent 也可能沿着错误方向继续行动。

反思、规划与记忆

反思型流程会先生成初稿，再检查逻辑、格式或约束，并据此修正输出。它可以用于长文本、代码辅助和需要自查的任务，但自我检查仍由模型完成，未必能够发现事实性错误。重要结果仍应通过规则、测试、来源核验或人工审查确认。

Planner + Executor 把复杂任务分成两个阶段：先规划子任务和顺序，再逐项执行并整合结果。这样的结构便于展示进度和定位失败步骤，也适合包含多个依赖环节的任务。设计时要为计划偏差留出重新规划的机会，并让执行器对每一步的输入、结果和失败状态留下清晰记录，否则错误可能在后续步骤中被放大。

记忆增强型 Agent 会从历史对话或外部存储中检索相关信息，再结合当前输入生成结果，并在需要时更新记忆。它适合长期任务和多轮互动，但记忆内容需要区分时效、来源和适用范围。过期信息、相互矛盾的记录或无关上下文，都可能降低回答质量；系统还需要明确保存什么、何时更新，以及如何删除不再需要的数据。

多 Agent 协作与选型

多 Agent 协作会把任务分配给多个角色或执行单元，再汇总各自结果。对于能够自然拆分的研究、审核或内容整理任务，分工可能提高并行度；但协调过程会带来额外通信、状态同步和结果冲突处理。若多个 Agent 重复完成相同工作，或彼此依赖难以并行，复杂架构未必比单一流程更有效。

选择范式时，可以先描述任务本身：是否需要最新信息，是否要调用外部工具，步骤之间是否存在依赖，是否需要长期保存上下文，以及失败时能否安全停止。然后从最简单的结构开始，使用代表性输入验证完成率、响应时间、成本和错误类型。只有当简单流程确实无法满足需求时，再加入工具循环、规划、记忆或多角色协作。

评估与安全边界

Agent 的质量不能只看演示时是否成功，还要观察异常输入、工具失败和信息不完整时的表现。对每种范式，可以建立一组可重复任务，记录结果是否符合要求、是否调用了正确工具、是否在适当时机停止，以及输出是否包含可追溯依据。对有副作用的工具，例如写文件、提交变更或发送请求，应设置明确的权限范围和人工确认点。

范式名称描述的是流程组织方式，不是质量等级。多 Agent 并不必然优于单 Agent，反思也不意味着输出已被独立验证。真实系统通常会组合多种机制，但每增加一层，都应说明它解决了什么问题、引入了什么成本，以及如何发现故障。这个专题把从直接生成到协作执行的常见路线并列展示，便于读者据任务需求选择合适起点，而不是为了复杂而复杂。

除了 Agent 主题，站点还记录 VitePress 主题开发、博客迁移和小型前端项目等实践。读者可以通过分类与归档继续浏览这些内容，了解技术博客中常见的建站和工具实现经验。整体而言，白云苍狗的小站适合希望阅读中文开发笔记、了解 AI Agent 流程结构并寻找前端项目参考的读者。