兩位大師的 Agent 心法：Andrew Ng 的四大模式 × Shunyu Yao 的思維引擎
AI 系列-深入解析定義現代 AI Agent 的兩位關鍵學者：Andrew Ng 提出的四大 Agentic Design Patterns，以及 Shunyu Yao 發明的 ReAct 與 Tree of Thoughts，讓你從使用者升級為設計者。
WRITTEN BY
- Name
- Harry Chang
一個 AI 能不能「真的做事」，不取決於它有多聰明，而取決於它如何思考、何時行動、以及何時回頭重來。
過去兩篇我們談的是工具層（Skill 系統）與執行層（OpenClaw 自動化）。這一篇，我們往上退一步，回到最根本的問題：AI Agent 的思維框架是誰設計的？它的邏輯根基長什麼樣子？
答案來自兩位學者。一位告訴我們 Agent 能做什麼（Andrew Ng），另一位告訴我們 Agent 如何思考（Shunyu Yao）。
- 大師一：Andrew Ng 的四大 Agentic Design Patterns
- 大師二：Shunyu Yao 的思維引擎
- 兩套理論的全景對比
- 何時用 ReAct，何時用 ToT？
- 我的反思
- 參考資料 (References)
大師一：Andrew Ng 的四大 Agentic Design Patterns
Andrew Ng，人工智慧教育界的傳奇人物，Coursera AI 課程創辦人，Google Brain 共同創辦人。他在 2024 年提出了目前業界引用最廣的 Agent 設計分類法——四大 Agentic Design Patterns。
這不是學術論文，而是一套給工程師與產品設計者用的心智地圖。
Pattern 1：Reflection（反思）
最容易被忽略，也是最基礎的升級。
讓 AI 生成答案之後，不直接輸出，而是再問一次自己：「這樣對嗎？哪裡可以更好？」
生成 → 審查 → 修改 → 再審查 → 輸出
這就像你寫完一封重要的 Email，發出去之前再讀一遍。差別是 AI 的「再讀一遍」可以非常徹底——它會站在批評者的角度，系統性地挑出邏輯漏洞、語氣問題與遺漏細節。
實際應用中，Reflection 可以是同一個模型自我對話，也可以是兩個模型互相審查（Generator + Critic 架構）。
Pattern 2：Tool Use（工具使用）
這是讓 AI 從「博學的聊天者」變成「能辦事的員工」的關鍵。
LLM 推理 → 決定呼叫哪個工具 → 執行工具 → 取得結果 → 繼續推理
工具可以是搜尋引擎、Python 計算機、資料庫、API 呼叫，甚至是瀏覽器控制器。Claude Code 本身就是這個模式的極致體現——它能讀檔、寫檔、執行程式、測試結果，全部透過工具串接完成。
這也是為什麼上一篇的 OpenClaw 那麼強大：它幫 Agent 配備了完整的工具庫，讓 AI 不只是「說說而已」。
Pattern 3：Planning（規劃）
面對複雜任務，AI 不能埋頭就做，它需要先想清楚再動手。
大任務 → 拆解子任務 → 排序依賴關係 → 逐步執行 → 動態調整
主流做法有三種：
| 策略 | 說明 | 適合場景 |
|---|---|---|
| Chain of Thought | 像人類一樣逐步推理 | 單步邏輯問題 |
| ReAct | 推理與行動交替進行 | 需要外部工具的任務 |
| Plan-and-Execute | 先完整規劃，再逐步執行 | 多步驟長任務 |
規劃能力決定了 AI 能不能完成「不是一步就能解決」的真實世界任務。
Pattern 4：Multi-Agent（多智能體協作）
這是目前最前沿、也最具爆發力的模式。
不是一個 AI 做所有事，而是多個 AI 分工，各司其職：
Orchestrator（指揮官）
├── Agent A：資料研究員
├── Agent B：文章撰寫者
└── Agent C：品質審查者
Claude Code 的 Agent 工具正是這個模式的實踐——你可以在主對話中派出子 Agent 去獨立完成研究任務，同時繼續進行其他工作。這就是從「人機協作」邁向「人機管理」的真正起點。
大師二：Shunyu Yao 的思維引擎
如果說 Andrew Ng 告訴我們「Agent 能做什麼」，那 Shunyu Yao（Yao et al.，普林斯頓 / Google DeepMind）則告訴我們「Agent 如何思考」。
他貢獻了兩篇改變 AI Agent 推理方式的論文。
ReAct：讓推理與行動融合
論文： ReAct: Synergizing Reasoning and Acting in Language Models（2022）
在 ReAct 之前，AI 要嘛只是推理（Chain of Thought），要嘛只是行動（呼叫工具）。Yao 的洞見是：這兩件事應該交替進行，互相修正。
Thought 1: 我需要查詢台灣 2024 年的 GDP 數據
Action 1: Search("台灣 GDP 2024")
Observation 1: 台灣 2024 年 GDP 約為 7,900 億美元
Thought 2: 我已有數據，可以給出答案
Action 2: Finish("台灣 2024 年 GDP 約為 7,900 億美元")
Thought 讓 AI 解釋「為什麼這樣做」，而不是盲目行動。Observation 把外部世界的真實結果帶回來，讓下一步推理更接地氣。
這個架構的最大價值是可解釋性——每一步 AI 都在「說出自己的想法」，而不是黑盒輸出。這對調試 Agent 行為、建立人類信任感，都至關重要。
Tree of Thoughts：讓 AI 學會「回頭」
論文： Tree of Thoughts: Deliberate Problem Solving with Large Language Models（2023）
ReAct 是一條線，走錯了就卡住。ToT 的突破是：把推理從線性變成樹狀，允許探索、評估、剪枝、回溯。
[問題]
/ | \
[A] [B] [C] ← 多個初始路徑
/ \ | / \
[A1][A2] [B1] [C1][C2] ← 繼續展開
✓ ✗ ✓ ← 評估打分，剪掉死路
ToT 的四個核心組件：
- 思考步驟（Thought）：每個節點是一個中間推理狀態
- 展開（Expansion）：每個節點生成 2-5 個可能的下一步
- 評估（Evaluation）：讓 LLM 給每條路徑打分（sure / maybe / impossible）
- 搜尋策略（Search）：BFS（廣度優先）或 DFS（深度優先）
以 24 點遊戲（4, 9, 10, 13 算出 24）為例，ToT 能系統性地探索各種組合可能性，而不是靠運氣一次猜中。
兩套理論的全景對比
| 面向 | Andrew Ng（四大模式） | Shunyu Yao（ReAct / ToT） |
|---|---|---|
| 視角 | 系統架構設計 | 推理機制設計 |
| 層級 | What can agents do | How do agents think |
| 貢獻 | 分類框架 | 執行引擎 |
| 適用對象 | 產品設計者、系統架構師 | 演算法工程師、研究者 |
| ReAct 定位 | Planning 模式的具體實現之一 | 核心方法論 |
| ToT 定位 | Reflection 模式的進化版 | 高階推理引擎 |
兩套理論不是競爭關係，而是互補的兩層。Ng 的框架告訴你「蓋一棟樓要有哪些部件」，Yao 的理論告訴你「樑柱的力學原理是什麼」。
何時用 ReAct，何時用 ToT？
這是工程實踐中最常遇到的選擇題：
任務有明確步驟，需要外部工具？ → ReAct
Token 預算有限，需要快速回應？ → ReAct
任務需要創意探索、多方案比較？ → ToT
數學 / 邏輯問題容易一條路走死？ → ToT
需要最高品質輸出，成本不是問題？ → ToT
實際上，成熟的 Agent 系統會混用兩者：用 ReAct 處理有工具輔助的資訊收集階段，用 ToT 處理需要深度推理的核心決策環節。
我的反思
AI 的進步從來不是單靠算力的堆疊，而是靠「思維結構」的設計。
ReAct 是一個 Prompt 格式的改變，卻讓模型表現躍升。ToT 是把線性換成樹狀，卻解鎖了全新的推理能力。這讓我想到上篇 OpenClaw 實驗的核心：真正讓 AI 強大的，不是更大的模型，而是更好的框架設計。
這也是 Skill 系統的深層邏輯：我們在為 AI 安裝的，本質上就是 Andrew Ng 框架裡的「Planning 指引」與「Tool Use 授權」，只是以更工程化、可複用的形式封裝起來。
如果你只是在用 AI，你是工具的使用者。如果你開始思考 Agentic Design Patterns，你就成了系統的設計者。兩者之間的差距，就是這篇文章存在的理由。
參考資料 (References)
延伸閱讀
論文原文
- ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022)
- Tree of Thoughts: Deliberate Problem Solving with LLMs (Yao et al., 2023)
推薦影片