（十）为什么 Agent 工作流需要 Reflection？
在使用大语言模型（LLM）时，最直观的方法是：给模型一个任务，让它直接生成答案，然后结束。例如：“请写一篇关于黑洞的文章。”或者：“请用 Python 编写一个计算复利的函数。”模型接收到指令后，直接生成最终结果。这种方式简单、快速，也是我们最常见的 LLM 使用方式。
AI Agent 设计模式 (四) | 理解Reflection模式，就掌握了AI质量管理
持续分享十三种AI Agent设计模式，感兴趣可以点个【关注】不迷路～一句话讲清楚 Reflection你写完代码会自己过一遍再提交 PR。程序员都有这个习惯。写完代码不直接 push，自己先读一遍，检查逻辑对不对、有没有低级错误、命名合不合理。
AI Agent 到底是什么？从大模型、工作流到智能体，一篇讲清
现在很多产品都会在介绍里写上 Agent。有的接入了大模型，有的能调用几个工具，有的只是把原来的自动化流程换了名字。Agent 和普通工作流到底差在哪？只要接了大模型和 API，就能算 Agent 吗？这个问题没有必要从一长串定义讲起。
ReAct、Plan-and-Execute、Reflection：AI Agent 三种范式怎么选？
从“边想边干”到“先规划再执行”，再到“自我检查修正”的工程落地指南很多人第一次接触 Agent 范式时，会把 ReAct、Plan-and-Execute、Reflection 当成三个并列方案，然后纠结到底哪个更先进。这个理解很容易跑偏。
Agent开发实战：Agent也会自信犯错？如何实现反思纠错？
上一篇，我们让Agent学会了Plan-and-Execute。面对复杂任务，它不再是想到什么就调用什么工具，而是先制定计划，再逐步执行，遇到变化还可以重新规划。看起来我们的Agent已经聪明了很多。但真正把它交给用户以后，可能会遇到一种更让人头疼的情况。
他真的把AI Agent讲的太清晰了，新手小白必看！！
AI Agent现在有多火，不用我再多说了。但很多人跟我吐槽一个痛点：网上教程碎得离谱，刷短视频东看一个ReAct，西看一个RAG，零散知识点收藏了一大堆，学了很久，到头来只会玩别人现成做好的 Agent，轮到自己动手从零搭建，瞬间就懵了。
智能体设计模式（一）：Reflection
导读从研发架构视角，智能体分为Workflow 与 Agent 两种基本范式，主要由六大核心要素构成，那应该如何设计它的执行机制？以患者报告单解读为例，实验室系统生成报告单后，我们希望借助大模型生成一份解读内容，供医生参考。
第6篇：Agent反射与自我纠错：让AI“被动回答”变成“主动优化”
在前五篇，我们已经彻底补齐了智能体的四大核心底座：搞懂了 Agent 与普通大模型的本质区别吃透了 五大核心架构组件掌握了 CoT/ReAct 任务规划逻辑搭建了 三级记忆存储系统实现了 工具调用落地执行能力到这里，你已经可以开发出一个能思考、能记忆、能干活的基础 AI Agen
豆包Agent最系统手把手教程，从入门到精通
字节豆包联合飞书打造的桌面 Agent 助手，把群聊纪要、浏览器操作、数据透视这类办公活全部交给它跑。20 个核心功能加 4 个真实场景教程，从下载安装到解放双手，一文打通 WorkAgent 上手路径。
深度拆解AI Agent，从核心原理、运行机制到工程落地与风险治理
当下AI行业的讨论中，AI Agent绝对是热度最高的关键词之一。很多人误以为Agent就是升级版聊天机器人，或是多了几个调用接口的提示词工具，简单拼凑就能实现智能化落地。