note

• Reflection 和 Tool Use 属于比较经典且相对已经广泛使用的方式，Planning 和 Multi-agent 属于比较新颖比较有前景的方式。

一、四种设计模式

1. Reflection

• 基于reflection的，纯粹的对结果反思，无外部交互。这是一个非常基础的模式，尽管很简单，但却可以为结果带来挺大的提升。

推荐阅读：
● Self-Refine: Iterative Refinement with Self-Feedback, Madaan et al. (2023)
● Reflexion: Language Agents with Verbal Reinforcement Learning, Shinn et al., (2023)

2. Tool use

• 与工具交互，并对交互结果进行推理。LLM中存储的信息通常不足以准确、有见地地回答问题。这个模式不具备迭代调用。

推荐阅读：

1. Gorilla: Large Language Model Connected with Massive APIs, Patil et al. (2023)
2. MM-REACT: Prompting ChatGPT for Multimodal Reasoning and Action, Yang et al. (2023)

3. Planning

• 有规划模块，能完成任务拆解，任务规划，反思迭代。通过将任务分解为更小、更容易完成的子目标，而不会迷失最终目标。

推荐阅读：

1. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, Wei et al., (2022)
2. HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face, Shen et al. (2023)

4. Multi-agent collaboration

• 多Agent系统，像 crewAI或 AutoGen这样的框架，它们允许创建Multi-Agent 的应用。任务可以划分为由不同角色执行的小任务。

ex：改编自 HuggingGPT 这个论文，我需要生成一个图片，一个女孩在看书，她的姿势要个我给的这个图片中的男孩一样，然后你再用文字描述这个图片：Agent 的做法是，先提取该图片中男孩的姿态（可能是调用的 Huggingface上的模型），然后再找到一个模型生成一张同样姿势的图片，最后再描述好生成的这张图片。

推荐阅读：

1. Communicative Agents for Software Development, Qian et al., (2023)
2. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation, Wu et al. (2023)

二、相关代码实践

链接：https://github.com/neural-maze/agentic_patterns/tree/main