• Reflection：让 Agent 审视和修正自己生成的输出；

• Tool Use：LLM 生成代码、调用 API 等进行实际操作；

• Planning：让 Agent 分解复杂任务并按计划执行；

• Multiagent Collaboration：多个 Agent 扮演不同角色合作完成任务；

🤩 在 扣子（coze.cn）/Coze （coze.com）上，可以将上述四种模式快捷落地，本文将以汽车行业调研助手、高质量旅行规划助手等实际案例来为大家分享落地思路。

1 Reflection模式

含义：让 Agent 审视和修正自己生成的输出。

背景：大模型的生成有时候会犯懒，可能只会部分执行Prompt导致效果有限。Reflection模式适用于让LLM自行审视和修正自己生成的输出，对生成内容进行多次自我调优，进而生成更加优质的内容。

场景：让 AI 或 LLM 说，写一个行业短评。开始写第一稿，自己阅读生成第一稿，思考哪些部分需要修改，然后，LLM进一步优化生成，可以一遍又一遍地进行。因此，这个工作流程是可迭代的，你可能让模型进行一些思考，然后修改文章，再思考，并通过多次迭代来完成这个过程。

流程图：

🔥 Workflow实现简单“行业短评”效果

👉 工作流拆解：

• 第一步：Start节点，用于接收用户的输入。

• 第二步： 大模型节点，行业短评Prompt：使用真实数据、案例、SWOT模型，并言简意赅表达。

• 第三步：基于其生成结果第二步中的大模型的生成结果，复制其Prompt，并进一步提示生成短评，达到审视和修正自己生成输出的效果，提高短评生成质量。

• 第四步： 输出结果。

👉 示意图参考：

👀 效果：汽车行业调研短评

第一次：大模型对于提示，仅生成比较概括性的短评，使用了真实数据。

第二次：大模型对生成结果进行迭代，生成了详细短评，不仅优化了表达内容，还增加了SWOT分析和案例分析。

2 Tool Use 模式

扣子/ Coze 本身就支持非常丰富的工具调用，欢迎使用！

3 Planning 模式

含义：Planning：让 Agent 分解复杂任务并按计划执行；

背景：大模型的生成依赖于训练数据的实效性，并且有时候会产生幻觉，导致生成的内容效果质量有限。Planning模式适用于让LLM基于计划好的任务步骤，对生成内容进行多次自我调优和加工处理，进而生成更加优质的内容。

场景：我们期望Agent具备类似人的行为的智能体，比如在调研报告场景，他会先使用搜索工具进行检索，筛选质量较高的内容，再进行一些思考，再进行重要信息的总结和整理，最后输出一个质量比较高的报告。

流程图：

🔥 Workflow实现Plannning模式的“行业短评”效果

👉 工作流拆解：

• 第一步：Start节点，用于接收用户的输入。

• 第二步： 通过“浏览器插件”，把用户的输入作为关键字进行搜索，返回相关的10个网站链接。

• 第三步： 通过“头条搜索”访问这10个网站的详情内容，并返回。

• 第四步： 使用大模型对这10个网站的内容进行打分，3分以上推荐引用。

• 第五步： 通知用户：目前Agent已经完成阅读，正在整理并总结报告。

• 第六步： 大模型对高分内容进行理解，使用真实数据、案例、SWOT模型等，并言简意赅表达。

  第七步： 输出报告。

👉  示意图参考：

👀 效果：奶茶行业调研短评

第一步： Agent完成网站访问和内容抽取后，告知了完成阅读。

第二步： 参考了他访问的一些网站内容，整理并总结了报告，最后打印报告输出。

4 Multiagent Collaboration 模式

🔥 使用coze的Multi-agent功能实现高质量旅行规划

第一步：定义3个用于旅行规划场景的专家Agents

• 目的地推荐专家： 调用搜索等能力，基于用户的需求推荐目的地。

• 机票酒店专家： 调用机票、酒店的查询工具，根据用户的背景信息和诉求，推荐合适的机票酒店。

• 行程规划专家： 根据用户的信息和其他专家产出的结果，帮助用户制定完整的行程规划，并将内容输出到PDF中。

第二步：将3个专家Agents排列到画布中，并为他们设置任务交接的条件。

第三步：开始对话

点击查看效果👆

🤖️ 三种模式的对比：