前 4 天我们已经学了：
| 天数 | 学习重点 | 解决的问题 |
|---|---|---|
| 第 1 天 | 什么是 Agent | 知道 Agent 不是普通聊天机器人 |
| 第 2 天 | Agent 六大特征 | 知道 Agent 为什么“像智能体” |
| 第 3 天 | 认知循环 | 知道 Agent 怎么完成任务 |
| 第 4 天 | 内部组件架构 | 知道 Agent 内部由哪些模块协作 |
| 第 5 天 | Agent 类型选择 | 知道不同业务场景该用哪种 Agent |
今天的核心问题是：
不是所有智能体都应该做成复杂 Agent。不同业务场景，要选择不同的 Agent 类型。
原文把 Agent 的感知到行动模式分为三类：Reactive agents 反应型、Deliberative agents 规划型、Hybrid agents 混合型。这三类不是互相排斥的，而是开发者根据任务复杂度、响应速度、业务目标和运行环境来选择的设计模式。
Agent 类型选择，本质上是在回答一个问题：
这个智能体遇到问题时，是应该马上反应，还是先思考规划，还是两者结合？
你可以这样理解：
| 类型 | 像什么人 | 核心特点 |
|---|---|---|
| Reactive Agent 反应型 | 门卫 / 报警器 / 质检哨兵 | 看到条件马上反应 |
| Deliberative Agent 规划型 | 策划师 / 调研员 / 顾问 | 先理解、再规划、再行动 |
| Hybrid Agent 混合型 | 既能快速响应又能深度处理的助手 | 简单问题快处理，复杂问题深度规划 |
一句话记住：
反应型求快，规划型求准，混合型求平衡。
| 类型 | 工作方式 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|---|
| Reactive Agent 反应型 | 条件触发，立即行动 | 快、稳定、成本低 | 没有复杂推理，不能处理模糊问题 | 预警、提醒、规则判断 |
| Deliberative Agent 规划型 | 先建模、再规划、再执行 | 能处理复杂任务，输出质量高 | 慢、成本高、实现复杂 | 调研、策划、复杂报告 |
| Hybrid Agent 混合型 | 快速反应 + 深度规划结合 | 兼顾速度和复杂度 | 架构复杂，测试难度高 | 企业助手、销售助手、客服系统 |
Reactive Agent 就是：
看到某个条件，就立刻执行某个动作。
它不做复杂思考，不做长期规划，也不依赖历史记忆。
就像温度计：
text温度低于 20℃ ↓ 自动打开暖气
或者像报警器：
text检测到烟雾 ↓ 立刻报警
原文提到，Reactive agents 是最简单、最直接的智能系统，它们通过“刺激-响应”机制，把环境输入映射到预设动作，不维护内部状态，也不进行高阶推理。
text环境变化 / 用户输入 │ ▼ ┌──────────────┐ │ 判断是否命中规则 │ └──────┬───────┘ │ 是 ▼ ┌──────────────┐ │ 执行预设动作 │ └──────────────┘
代码逻辑很像：
textIF 检测到风险词 THEN 标记高风险 IF 客户超过24小时未回复 THEN 提醒销售 IF 直播转化率低于阈值 THEN 提醒运营
原文也指出，反应型 Agent 通常依赖简单的“条件-动作规则”，当某个环境条件满足时，就触发对应动作。
Reactive Agent 适合这类任务：
| 判断标准 | 说明 |
|---|---|
| 规则明确 | 什么条件触发什么动作很清楚 |
| 响应要快 | 不能等复杂推理 |
| 风险可控 | 结果相对固定 |
| 不需要深度上下文 | 当前输入就能判断 |
| 不需要多步骤规划 | 一步处理即可 |
| 你的项目 | Reactive Agent 用法 |
|---|---|
| AI 审核智能体 | 检测到“保证拿证”“一次通过”等风险词，立即标记 |
| AI 直播话术助手 | 直播间出现敏感词，立刻提醒主播 |
| AI 微信营销助手 | 客户超过 24 小时未回复，提醒销售跟进 |
| AI 外呼助手 | 客户明确说“想报名”，立即标记高意向 |
| AI 班级初审 | 缺少关键资料，直接标记为“资料不完整” |
| 维度 | 表现 |
|---|---|
| 优点 | 快、稳定、成本低、容易测试 |
| 缺点 | 不会思考、不记历史、遇到复杂问题容易误判 |
| 最大风险 | 规则太死，容易把特殊情况当普通情况处理 |
比如审核场景里：
text“保证拿证” → 高风险
这个判断很简单。
但如果文案是：
text我们不承诺保证拿证，但会帮助你系统学习。
如果系统只看关键词“保证拿证”，就可能误判。
这就是反应型 Agent 的局限：快，但不够聪明。
Deliberative Agent 就是：
遇到任务后，不急着回答，而是先理解、建模、规划，再执行。
它像一个真正的顾问。
用户说：
text帮我做一份中医师承竞品调研报告。
规划型 Agent 不应该直接生成报告，而应该：
text理解目标 ↓ 建立任务模型 ↓ 拆解调研维度 ↓ 选择信息来源 ↓ 执行资料收集 ↓ 分析对比 ↓ 生成报告
原文把规划型 Agent 称为“战略思考者”，它们不会像反应型 Agent 那样马上响应，而是会分析环境、预测可能结果，再决定行动路径。其架构遵循 Sense–Model–Plan–Act 模式。
规划型 Agent 的核心流程是：
| 阶段 | 英文 | 通俗理解 |
|---|---|---|
| 感知 | Sense | 先接收任务和环境信息 |
| 建模 | Model | 把任务转成结构化理解 |
| 规划 | Plan | 拆解步骤和执行路径 |
| 行动 | Act | 调用工具、生成结果、完成任务 |
流程图：
text用户目标 │ ▼ ┌──────────┐ │ Sense 感知│ └────┬─────┘ ▼ ┌──────────┐ │ Model 建模│ └────┬─────┘ ▼ ┌──────────┐ │ Plan 规划 │ └────┬─────┘ ▼ ┌──────────┐ │ Act 行动 │ └──────────┘
用户输入：
text帮我调研 3 个消防工程师竞品，重点看课程体系、价格、销售转化路径。
规划型 Agent 的处理方式：
| 阶段 | 具体动作 |
|---|---|
| Sense 感知 | 识别项目：消防工程师；识别目标：竞品调研 |
| Model 建模 | 抽取维度：课程体系、价格、转化路径 |
| Plan 规划 | 制定调研步骤：查官网、查课程页、查公众号、做对比 |
| Act 行动 | 搜索资料、整理字段、生成报告和建议 |
用户输入：
text帮我设计一个 7 月考研项目私域转化活动。
规划型 Agent 应该这样处理：
| 阶段 | 具体动作 |
|---|---|
| Sense 感知 | 识别项目、时间、目标渠道 |
| Model 建模 | 判断目标用户、转化目标、活动约束 |
| Plan 规划 | 拆活动背景、玩法、节奏、物料、话术、复盘指标 |
| Act 行动 | 生成完整活动方案、执行清单、转化话术 |
规划型 Agent 适合这类任务：
| 判断标准 | 说明 |
|---|---|
| 任务复杂 | 需要多个步骤才能完成 |
| 输入模糊 | 用户只给目标，没有给完整步骤 |
| 需要判断 | 需要分析、比较、推理 |
| 需要工具调用 | 要查资料、调接口、生成文档 |
| 需要高质量输出 | 比速度更重视准确性和完整性 |
| 维度 | 表现 |
|---|---|
| 优点 | 能处理复杂任务、能规划、能适应新情况 |
| 缺点 | 成本高、速度慢、实现复杂 |
| 最大风险 | 规划错了，后面全错；推理越复杂，越需要评估和兜底 |
原文也提到，规划型 Agent 能处理时间推理、模拟未来状态、适应新情况，但它们需要更多计算资源，规划阶段会带来延迟；如果内部模型不准确，决策质量也会下降。
Hybrid Agent 就是：
简单问题快速响应，复杂问题进入深度规划。
它不是只快，也不是只深，而是两者结合。
比如一个企业客服 Agent：
text用户问：课程多少钱？ ↓ 直接查知识库快速回答 用户问：我基础差、预算有限、想半年拿证，适合报哪个班？ ↓ 进入规划模式 分析用户情况 → 匹配课程 → 生成建议 → 推荐跟进动作
原文提到，Hybrid agents 把反应型的快速响应和规划型的战略推理结合起来，采用分层架构，让不同子系统分别处理快速、上下文无关的反应，以及较慢但目标导向的规划。
text用户输入 / 系统事件 │ ▼ ┌────────────────┐ │ 判断任务复杂度 │ └───────┬────────┘ │ ├── 简单 / 紧急 │ ▼ │ 反应层快速处理 │ └── 复杂 / 高价值 ▼ 规划层深度处理
更完整一点：
text输入 │ ▼ 任务分类器 │ ├─ 规则明确、需快速响应 → Reactive Layer │ └─ 直接提醒 / 标记 / 回复 │ └─ 复杂、多步骤、高价值 → Deliberative Layer └─ 理解 → 建模 → 规划 → 执行 → 评估
原文描述 Hybrid Agent 时也提到，输入会先经过优先级分类机制，根据时间约束、安全影响、任务关键性等因素判断是否直接交给反应层，还是进入规划层。
这是一个典型的混合型 Agent。
| 场景 | 用哪一层 | 处理方式 |
|---|---|---|
| 客户 24 小时未回复 | 反应层 | 自动提醒销售跟进 |
| 客户问课程价格 | 反应层 | 快速返回标准价格说明 |
| 客户表达犹豫 | 规划层 | 分析顾虑，生成跟进策略 |
| 客户多次咨询不同课程 | 规划层 | 根据历史记录判断真实需求 |
| 客户高意向但未成交 | 混合处理 | 立刻提醒 + 生成个性化话术 |
如果只是知识库问答，它是 Chatbot。
如果升级成 Hybrid Agent，可以这样设计：
| 用户问题类型 | 处理方式 |
|---|---|
| 标准 FAQ | 反应层快速回答 |
| 政策类复杂问题 | 规划层查资料、比对版本、给来源 |
| 知识库没有覆盖 | 规划层生成缺口提示 |
| 多人频繁问同一问题 | 反应层统计 + 主动建议补 FAQ |
| 低置信度答案 | 进入人工复核 |
混合型 Agent 适合这类任务：
| 判断标准 | 说明 |
|---|---|
| 既有简单问题，也有复杂问题 | 企业助手、客服、销售助手常见 |
| 既要响应速度，也要输出质量 | 不能所有问题都慢慢规划 |
| 有高频标准流程，也有个性化判断 | 私域、外呼、答疑场景 |
| 需要长期运行 | 要兼顾成本、性能和稳定性 |
| 需要多模块协作 | 工具、记忆、评估、人工兜底都要接入 |
| 维度 | 表现 |
|---|---|
| 优点 | 兼顾速度和深度，适合真实业务 |
| 缺点 | 架构复杂，测试难度高，成本更高 |
| 最大风险 | 任务分流不准：简单问题走复杂流程，复杂问题被简单处理 |
原文也指出，混合架构虽然灵活、可维护、可扩展，但也会带来协调复杂度，需要处理资源分配、冲突解决和大量测试，否则问题可能出现在层与层之间的交互上，而不是某个单独模块。
text这个任务是否规则明确？ │ 是 ▼ 用 Reactive Agent │ 否 ▼ 是否需要多步骤规划？ │ 是 ▼ 用 Deliberative Agent │ 否 ▼ 是否既有简单响应，又有复杂判断？ │ 是 ▼ 用 Hybrid Agent
| 判断问题 | 选择倾向 |
|---|---|
| 这个任务是否可以用 if/else 写清楚？ | Reactive |
| 这个任务是否需要查资料、对比、分析、生成方案？ | Deliberative |
| 这个任务是否既有标准问答，又有复杂咨询？ | Hybrid |
| 这个任务是否必须毫秒级响应？ | Reactive |
| 这个任务是否允许多等几秒换取更好质量？ | Deliberative |
| 这个任务是否要长期服务多种用户需求？ | Hybrid |
| AI 项目 | 推荐 Agent 类型 | 原因 |
|---|---|---|
| AI 项目答疑智能体 | Hybrid Agent | 标准问题快速答，复杂问题查资料和提示缺口 |
| AI 调研智能体 | Deliberative Agent | 需要多步骤资料收集、分析和报告生成 |
| AI 策划智能体 | Deliberative Agent | 需要根据目标规划完整方案 |
| AI 审核智能体 | Reactive + Deliberative | 明确风险词快速标记，复杂语义需要推理 |
| AI 班级初审 | Reactive Agent 起步，后续 Hybrid | 规则检查为主，但异常情况需要解释 |
| AI 微信营销助手 | Hybrid Agent | 简单问题快答，复杂客户需要个性化跟进 |
| AI 智能外呼 | Hybrid Agent | 通话中快速响应，通话后深度分析 |
| AI 直播话术助手 | Reactive Agent 起步 | 直播场景更强调即时提醒 |
| AI 直播复盘助手 | Deliberative Agent | 需要数据分析、归因和建议 |
实际落地时，不建议一开始就做最复杂的 Hybrid Agent。
更推荐：
text第一阶段：Reactive 起步 ↓ 第二阶段：加入 Planning，升级 Deliberative ↓ 第三阶段：高频简单任务走 Reactive，复杂任务走 Deliberative ↓ 第四阶段：形成 Hybrid Agent
| 阶段 | 类型 | 能力 |
|---|---|---|
| V1 | Reactive | 识别风险词，标记高/中/低风险 |
| V2 | Deliberative | 理解上下文，判断是否真的违规 |
| V3 | Hybrid | 明确风险快速标记，复杂表达进入语义审核 |
| V4 | Hybrid + Memory | 根据人工复核结果更新违规案例库 |
| 阶段 | 类型 | 能力 |
|---|---|---|
| V1 | Chatbot / Reactive | 标准 FAQ 问答 |
| V2 | Deliberative | 复杂问题查多个知识源后回答 |
| V3 | Hybrid | 高频问题快答，低置信问题人工确认 |
| V4 | Hybrid + Feedback | 主动发现知识库缺口，自动生成 FAQ 建议 |
第 5 天你最应该记住这 6 句话：
| 序号 | 核心结论 |
|---|---|
| 1 | Reactive Agent 适合规则明确、要求快速响应的任务 |
| 2 | Deliberative Agent 适合复杂、多步骤、需要推理和规划的任务 |
| 3 | Hybrid Agent 适合真实企业场景，因为企业里简单问题和复杂问题通常混在一起 |
| 4 | 不要一开始就追求复杂架构，先看业务是否真的需要 |
| 5 | Agent 类型选择，本质是速度、质量、成本和复杂度之间的权衡 |
| 6 | 最好的架构不是最复杂的，而是最匹配当前业务阶段的 |
最核心的一句话：
规则明确用反应型，任务复杂用规划型，既要快又要深用混合型。
| 项目 | 推荐类型 | 为什么 |
|---|---|---|
| AI 项目答疑智能体 | ||
| AI 调研智能体 | ||
| AI 策划智能体 | ||
| AI 审核智能体 | ||
| AI 微信营销助手 |
以 AI 微信营销助手为例：
| 用户/系统事件 | Reactive 还是 Deliberative？ | 原因 |
|---|---|---|
| 客户问价格 | ||
| 客户说“我再考虑考虑” | ||
| 客户 24 小时未回复 | ||
| 客户问自己适合哪个班型 | ||
| 客户明确说今天报名 |
原始需求：
text做一个 AI 审核智能体，自动检查文案违规。
类型化写法：
textAI 审核智能体第一阶段采用 Reactive Agent 设计，基于广告法风险词、平台敏感词和项目禁用表达进行快速标记； 第二阶段升级为 Deliberative Agent，加入上下文语义判断，避免单纯关键词误判； 第三阶段形成 Hybrid Agent，对明确违规表达快速拦截，对复杂表达进入语义审核，并根据人工复核结果持续更新违规案例库。
今天学完后，建议沉淀 3 个东西：
| 产出物 | 用途 |
|---|---|
| Agent 类型对比表 | 判断不同智能体适合哪种架构 |
| 项目类型归类表 | 用于 AI 项目规划 |
| 分阶段演进路线 | 用于和领导/技术沟通落地路径 |
你可以直接写成这样：
textAgent 可以分为反应型、规划型和混合型。 反应型适合规则明确、响应要求高的场景，例如审核风险词和直播预警； 规划型适合复杂、多步骤任务，例如竞品调研和活动策划； 混合型适合企业真实业务场景，例如项目答疑、销售跟进和微信营销助手，因为它们既有高频标准问题，也有复杂个性化判断。 因此，智能体架构选择不能只追求复杂，而要根据任务复杂度、响应速度、成本和业务阶段来决定。
第 6 天会从“学习”正式进入“落地”。
主题是：
text把 Agent 框架套到你的真实业务
重点会用 AI 调研智能体 做完整拆解：
text目标 → 使用者 → 输入 → 感知 → 推理 → 规划 → 行动 → 记忆 → 输出 → 反馈 → 边界
第 5 天解决的是：
这个智能体该选哪种类型？
第 6 天会解决：
选好类型后，怎么把它拆成一份能落地的业务需求？
扫码关注公众号，每周更新实用前端干货
