🏗️ 架构模式对比

18 个 Agent 项目的核心架构模式横向对比

一、架构模式分类

六种核心架构模式

┌─────────────────────────────────────────────────────────────────────┐ │ Agent 架构模式谱系 │ ├──────────────┬──────────────────────────────────────────────────────┤ │ │ │ │ 1. ReAct │ Observe → Think → Act → Observe → ... │ │ 循环式 │ 代表: Aider, SWE-agent, OpenHands, Browser-Use │ │ │ │ │ 2. Plan- │ Plan → Execute(steps) → Verify → Replan │ │ Execute │ 代表: AutoGPT, GPT-Researcher │ │ │ │ │ 3. State │ State → Node(state) → Conditional Edge → Next Node │ │ Machine │ 代表: LangGraph, PydanticAI │ │ │ │ │ 4. Actor │ Agent ← Message → Agent (异步消息传递) │ │ Model │ 代表: AutoGen, MetaGPT, CrewAI │ │ │ │ │ 5. Pipeline │ Input → Stage1 → Stage2 → ... → Output │ │ 流水线式 │ 代表: GPT-Researcher (multi-agent mode) │ │ │ │ │ 6. Strategy │ BaseAgent + 多种策略子类 (可切换执行方式) │ │ 策略式 │ 代表: Aider (15+ edit format subclasses) │ │ │ │ └──────────────┴──────────────────────────────────────────────────────┘

二、架构模式 vs 项目矩阵

项目	主模式	循环方式	状态管理	并行性	可组合性
Aider	Strategy ReAct	单步迭代	Git + Chat History	❌	中 (edit-format)
SWE-agent	ReAct	Shell 交互循环	Shell State	❌	低
OpenHands	ReAct	Event Loop	State + Condenser	✅ (Sandbox)	高 (Agent Hub)
Codex CLI DEEP	ReAct SQ/EQ	SQ/EQ Protocol Loop	Thread + Turn State	✅ (Sandbox+Guardian)	中 (Dynamic Tools+MCP)
AutoGPT	Plan-Execute	Think→Act→Observe	Memory + State	⚠️	中 (Blocks)
MetaGPT	Actor	Role._think()→_act()	Environment + Message	⚠️	高 (SOP)
Agent Zero	ReAct	Step Loop	Hierarchical Memory	✅ (Sub-agents)	中
AutoGen	Actor	Message Passing	Conversation + Context Vars	✅	极高
CrewAI	Actor	Process-driven	Task State + Memory	⚠️	高 (Flows)
LangGraph	State Machine	Graph Traversal	TypedDict State + Checkpoint	✅ (Fan-out)	极高
PydanticAI	State Machine	Graph Nodes	GraphAgentState	❌	高 (Type-safe)
Agno	ReAct	Simple run()	Session + Memory	✅ (Multi-agent)	高 (Toolkit)
Google ADK	ReAct	Runner.run_async()	Session + State	✅ (A2A)	高 (Tools)
Smolagents	ReAct	Step-based	History	⚠️ (Managed)	中
CAMEL	Actor	Turn-taking	Chat Memory + Knowledge	✅	高
Browser Use	ReAct	See→Think→Act	Browser State	❌	低
GPT Researcher	Pipeline	Research→Report	Vector Store	✅ (Multi-agent)	中
Goose DEEP	ReAct ACP	Streaming BoxStream<AgentEvent>	Session + Auto-Compaction	✅ (Subagent)	高 (ACP+Extensions)

三、关键架构对比

ReAct 循环式 (9/18 项目)

优点: 简单直观、LLM 友好、调试容易
缺点: 难以表达复杂控制流、并行性差、容易死循环
适用: 单步推理、工具调用、代码修改
代表: Aider, SWE-agent, OpenHands, Smolagents

State Machine / DAG (2/18 项目)

优点: 精确控制流、可验证、支持条件分支和并行
缺点: 定义复杂、LLM 不擅长直接生成图、学习曲线高
适用: 复杂工作流、需要人工干预的场景
代表: LangGraph, PydanticAI

Actor Model / 消息传递 (5/18 项目)

优点: 天然支持多 Agent、松耦合、可扩展
缺点: 调试复杂、消息序列化开销、可能死锁
适用: 多 Agent 协作、角色扮演
代表: AutoGen, MetaGPT, CrewAI, CAMEL

Plan-Execute (1/18 项目)

优点: 全局规划、任务分解自然
缺点: 计划可能过时、重新规划代价高、灵活性差
适用: 复杂长期任务、需要全局视角
代表: AutoGPT

四、构建你自己的 Agent 时如何选择

🎯 推荐策略：

如果做 Coding Agent → ReAct + Sandbox + Approval Flow (参考 OpenHands/Codex CLI)
如果做 Multi-Agent 系统 → Actor Model + 消息路由 (参考 AutoGen/MetaGPT)
如果做复杂工作流 → State Machine + Checkpointing (参考 LangGraph)
如果追求类型安全 → Graph-based + Pydantic Validation (参考 PydanticAI)
如果做轻量工具 → Simple ReAct + Code-as-Action (参考 Smolagents)
如果做浏览器自动化 → ReAct + DOM + Screenshot (参考 Browser Use)
如果做研究助手 → Pipeline + Multi-source + RAG (参考 GPT Researcher)

混合架构趋势

最成功的 Agent 往往不只用一种模式：

Aider: ReAct + Strategy (15 edit formats) + ArchitectCoder 双模型流水线 (architect→editor) + ChatChunks 缓存优化
PydanticAI: State Machine 内部 + ReAct (tool loop within nodes)
CrewAI: Actor Model (Process-driven) + Flow 装饰器编排 + Delegation 工具 + 统一 4 层 Memory
LangGraph: State Machine (Pregel/BSP 超步执行) + 可嵌套 ReAct sub-graphs + Command 统一控制流 + Send 动态并行扇出
Codex CLI: SQ/EQ Protocol + ReAct turns + Guardian 安全评估层 + Landlock/Seccomp 沙箱
Goose: ReAct streaming + ACP 网络协议 + 四层安全检测 + 动态 Extension 加载

结论：核心是 ReAct 循环，外层用更复杂的编排模式包装。