Agent开发的本质，是把人对任务的理解，翻译成AI可以执行的过程。
我们对任务的理解程度不同，翻译方式就不同。业界普遍有三种Agent开发范式：
- 工作流编排：对任务理解很清晰，我知道每一步该做什么
- React：理解不完整，我知道目标，但不确定具体路径，用ReAct让AI边做边探索
- vibecoding：需求场景经常变，无法穷举所有情况，用Vibe Coding让AI现场写代码解决
一、工作流编排
工作流编排的核心是结构化执行——通过定义任务的执行顺序，每个节点的输入输出、流转条件都是确定的。
在吴恩达的Agentic课程内容中，工作流有两种呈现形态：
| 形态 | 特点 | 流程控制 |
|---|---|---|
| 预定义流程 | 开发者设计好所有步骤，AI只是执行者 | 人定结构 |
| 动态规划流程 | AI先生成计划，再按计划顺序执行 | AI生成结构 |
通过下面的例子来理解这两种形态。
形态一：预定义流程
开发者预先设计好所有步骤，AI按部就班执行。
案例1：翻译工作流
将中文技术文档翻译成英文的场景中，如果直接让大模型翻译，容易出现直译腔、专业术语错误。
工作流的编排逻辑：
- 第一步：初译，模型先翻译一遍
- 第二步：审校，模型的角色是审核者，对照原文找问题、提建议
- 第三步：改进，模型根据建议生成出最终版
通过拆解步骤和"反思修正"，优化单次翻译的效果。
案例2：企业知识库问答
企业内部知识库问答，简单的"检索+生成"经常回答不准确。
工作流的编排逻辑：
- 第一步：改写问题，口语化提问转为搜索关键词
- 第二步：分流，"查数据"的情况走数据库，"查政策"的情况走文档库
- 第三步：检索，在对应的库里搜索
- 第四步：质量检查，不相关则修改关键词重试（最多3次）
通过条件分支 + 循环重试，构建稳定可靠的检索系统。
形态二：动态规划流程
AI先生成计划，再按计划执行——计划是动态的，但执行仍是结构化的。
案例：电商客服Agent
面对客户提出不同问题的解法，当客户问"有没有100美元以下的圆框太阳镜？"时，Agent会根据问题先生成计划：
- Step 1: 查商品描述，筛选出圆框太阳镜
- Step 2: 查库存，确认有货
- Step 3: 查价格，筛选100美元以下
再按照该计划逐步调用工具去执行。
对不同问题生成不同计划，比预定义流程更灵活，执行时仍有条理。
多Agent场景
多Agent协作的场景中，本质上也是一种工作流编排。
比如构建一个太阳镜营销活动的场景，可以预定义构建三个子agent：
| 角色 | 任务 | 工具 |
|---|---|---|
| 研究员 | 分析市场趋势 | 网络搜索 |
| 设计师 | 创建广告素材 | 图像生成 |
| 文案 | 撰写营销文案 | - |
再由主Agent根据任务动态分配，并汇总结果。
二、ReAct范式
ReAct =Reasoning（推理）+ Acting（行动）
与工作流的结构化执行不同，ReAct本质是迭代式推理循环——每一步的决策都基于上一步的执行结果，没有预设的固定路径。
怎么设定"基于上一步的执行结果"？通过观察-思考-行动来设定规则：
- 观察（Observation）：现在在哪？环境是什么样的？
- 思考（Thought）：离目标还有多远？下一步该做什么？
- 行动（Action）：执行操作
- 回到第1步，观察操作后的结果
以WebVoyager 浏览器操作的Agent来感受下ReAct的设计：
案例：WebVoyager网页浏览Agent
面对动态变化的网页环境，AI必须"边看边做"。
当用户说"帮我在京东上找一款100元以下的蓝牙耳机"，怎么让大模型知道"哪里能点"？
WebVoyager的解决方式就是给网页元素"打标签"：
- 往网页里注入脚本，提取所有可交互元素（按钮、输入框、链接）
- 过滤噪音：太小的元素丢掉，嵌套冗余的只保留外层
- 给每个有效元素标上编号（1、2、3…）
这样大模型看到的就是：“标签5是搜索框，标签12是搜索按钮”，而不是一堆看不懂的HTML代码。
过程执行的效果如下：
- 第一轮:
观察：当前在京东首页，标签5是搜索框，标签12是搜索按钮
思考：我需要先搜索"蓝牙耳机"
动作：type(5, “蓝牙耳机”)，然后 click(12) - 第二轮
观察：搜索结果页出来了，有很多商品，但没看到价格筛选
思考：我需要找到价格筛选功能
动作：scroll(down) 往下翻找筛选栏 - 第三轮
观察：看到了价格筛选，标签23是"100元以下"
思考：点击这个筛选条件
动作：click(23) - 第四轮
观察：筛选后的结果出来了，第一款是某品牌蓝牙耳机，89元
思考：找到了符合条件的商品，任务完成
动作：answer(“找到一款89元的蓝牙耳机”)
工作流的场景是：“我知道该怎么做”，ReAct是：“我不确定，我需要感知当下的环境去尝试，以达到目标”。
三、Vibe Coding范式
Vibe Coding =Code as Action
吴恩达的Agentic课程中，对于函数和Agent都显著提到了“代码即一切”的思想，即：不再预定义工具函数，而是让模型直接生成可执行代码。代码本身就是工具、计划和执行动作的统一体。
与其定义不同情况的执行方案，不如只通过代码运行解决问题，AI利用训练时学到的海量代码库（math、pandas、numpy…），在运行时现场创造解决方案。
这个范式的实践方式，就是用现有的vibecoding智能体的代码能力，去解决场景变化的问题。
解决时，不去限定解决问题的方法，让coding去自定义探索，这个范式需要去更清楚的描述定义和边界。
那么，如何系统的去学习大模型LLM？
作为一名深耕行业的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。
所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。
由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~
👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。
👉①.基础篇👈
基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。
👉②.进阶篇👈
接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。
👉③.实战篇👈
实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。
👉④.福利篇👈
最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到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】
相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！
