Agentic AI 架構模式

Agentic AI（自主 AI 代理）正在從單一 LLM 呼叫進化為具備規劃、工具使用與多步推理能力的自主系統。本文整理四種主流架構模式，並說明各自的適用場景與設計取捨。

1. ReAct（Reasoning + Acting）

ReAct 由 Yao et al. (2022) 提出，核心思路是將推理（Reasoning）與行動（Acting）交織進行。代理在每個步驟中先思考下一步該做什麼（Thought），然後執行動作（Action），再根據觀察結果（Observation）繼續推理，形成「思考→行動→觀察」的循環。

適用場景：

需要逐步推理的任務，如複雜問答、多步驟資訊檢索

需要與外部工具互動（API 呼叫、資料庫查詢、網頁爬取）

錯誤容忍度較低，需要每一步都可追溯、可除錯

取捨：

✅ 透明性高，每個推理步驟都可審視

✅ 適合需要中途修正的路徑

❌ Token 消耗大，冗長對話成本高

❌ 缺乏全局規劃，可能陷入局部最優

2. Plan-and-Execute

此模式將任務分解為兩階段：先規劃（Plan），再執行（Execute）。代理首先接收到任務後，制定一個包含多個步驟的完整計畫，然後逐步執行，必要時根據中間結果動態調整後續步驟。

適用場景：

明確可分解的複雜任務，如軟體開發、報告生成

需要事先確認資源與步驟可行性的場景

長時間運行的任務，需要進度追蹤

取捨：

✅ 全局視野，避免 ReAct 的短視問題

✅ 執行階段可提前發現規劃盲點

❌ 規劃階段可能過度樂觀，忽略執行中的不確定性

❌ 動態環境下計畫可能迅速過時，需要頻繁重新規劃

3. Multi-Agent（多代理協作）

由多個專業化代理協同工作，每個代理負責特定子任務或扮演特定角色（如研究員、程式設計師、審查員）。代理之間通過訊息傳遞進行溝通與協調。

適用場景：

需要多種專業能力的任務（寫程式 + 除錯 + 測試）

模擬多人協作場景（角色扮演、辯論、腦力激盪）

複雜商業流程自動化

取捨：

✅ 任務分工明確，各代理可專注於自身領域

✅ 透過辯論與審查機制提升輸出品質

❌ 代理間溝通開銷大，協調複雜度高

❌ 需要設計有效的共識機制，避免無窮循環

4. Orchestrator-Worker（編排者-工作者）

一個中央編排者（Orchestrator）負責任務分解與調度，多個工作者（Worker）代理各自執行子任務並回報結果。編排者不直接參與執行，而是管理整體流程、聚合結果、處理異常。

適用場景：

大規模平行任務（批次處理、數據爬取）

需要統一管理與監控的生產環境

企業級自動化流程（RPA 升級版）

取捨：

✅ 架構清晰，單點控制便於監控與除錯

✅ 工作者可水平擴展，處理大量任務

❌ 編排者是單點故障與效能瓶頸

❌ 工作者依賴編排者指令，喪失部分自主性

總結對照表

| 模式 | 協作程度 | 規劃能力 | 適合任務規模 | |------|---------|---------|------------| | ReAct | 低 | 低（局部） | 小至中型 | | Plan-and-Execute | 中 | 高（全局） | 中至大型 | | Multi-Agent | 高 | 中 | 中至大型 | | Orchestrator-Worker | 中高 | 高 | 大型至超大 |

實務上，許多生產系統採用混合模式：例如 Orchestrator-Worker 內的工作者本身使用 ReAct 模式運行，或在 Plan-and-Execute 的執行階段引入 Multi-Agent 協作。選擇架構時應考量任務特性、錯誤容忍度、成本預算與團隊維運能力。