ReAct / Plan-Execute / Reflexion

现代大模型 Agent 核心编排设计模式（ReAct / Plan-and-Execute / Reflexion / 多 Agent 协作拓扑）体系 (Agent Orchestration Patterns Taxonomy) 是根据任务复杂度、延迟容忍度与准确率要求构建生产级自主智能体的最高层设计蓝图；四大核心编排模式：1) ReAct (Reasoning + Acting: “思考 $\to$ 行动 $\to$ 观察”单步紧耦合循环，适合动态搜索与简单工具调用，但容易在复杂多步长任务中迷失全局目标)；2) Plan-and-Execute (先规划后执行: 规划器 LLM 一次性生成多步骤 DAG 任务图，执行器逐一调用工具，并在遇到意外失败时触发 Replanner 动态修复计划，长任务更鲁棒)；3) Reflexion (自我反思机制: 在执行失败后，将错误 Trace 与历史轨迹交由 Evaluator LLM 批判并生成 Self-Reflection 记忆存储入长期 Memory，在下一轮尝试中避免重复犯错)；4) 多 Agent 协作（Supervisor-Worker, Peer Debate, Consensus Voting: 职责分工消除单模型幻觉）。

复杂长程任务自动化 (Devin 类似代码 Agent)、企业跨系统自主流程审批、多工具协同分析系统。

单一 Prompt 无法处理多于 10 步的复杂长程任务；编排模式将庞大任务拆解为结构化、具备自愈与自我反思能力的鲁棒状态机。

详细对比 ReAct 与 Plan-and-Execute 模式在执行延迟 (Latency)、Token 消耗与长任务全局目标保持能力上的优劣势？

Reflexion 模式的三大核心组件（Actor 策略模型、Evaluator 评估器、Self-Reflection 语义记忆）如何实现跨轮次无梯度自主进化？

LangGraph 状态图 (StateGraph) 架构：如何通过 State Schema、Nodes 节点与 Conditional Edges 条件边构建支持循环与人工介入 (Human-in-the-loop) 的生产级 Agent？

多 Agent 协作中的“群体盲目 (Groupthink)”与通信死循环如何通过设定投票裁判 (Judge LLM) 与发言轮数上限解决？

在生产环境中，如何根据任务性质（即时交互 vs 离线批处理）动态选择 ReAct 快速执行与 Plan-and-Execute 深度规划？