AI智能体设计模式的二维框架：认知功能与执行拓扑
本文提出了一种结合认知功能（七类）和执行拓扑（六种结构原型）的二维分类法，用于系统描述LLM-based智能体架构。该7x6矩阵识别了27种命名模式，其中13种为原创命名，并在四个真实领域（金融贷款、法律尽职调查、网络运维、医疗分诊）验证了覆盖度。跨领域分析得出了五个模式选择的经验定律。
arXiv上最新发表的一篇论文提出了一种全新的二维框架，用于对基于大型语言模型（LLM）的AI智能体架构进行系统性分类与设计。该研究由Jia Huang和Joey Tianyi Zhou完成，于2026年3月16日提交至arXiv，旨在解决现有分类方法视角单一的问题。
当前，业界指南（如Anthropic、Google、LangChain提供的指南）主要关注执行拓扑——即数据如何流动；而认知科学调查则聚焦于智能体的认知功能——即智能体做什么。但这两个维度单独使用时，无法区分架构上截然不同的系统。例如，同样的Orchestrator-Workers拓扑可以支持Plan-and-Execute、Hierarchical Delegation或Adversarial Verification三种模式，但它们具有完全不同的故障模式和设计权衡。
为此，作者提出了一种二维分类方法，将两大维度相结合。第一个维度是认知功能轴，包含七大类：上下文工程（Context Engineering）、记忆（Memory）、推理（Reasoning）、行动（Action）、反思（Reflection）、协作（Collaboration）和治理（Governance）。第二个维度是执行拓扑轴，包含六种结构原型：链（Chain）、路由（Route）、并行（Parallel）、编排（Orchestrate）、循环（Loop）和层次（Hierarchy）。由此形成的7×6矩阵共识别出27种命名模式，其中13种为原创命名。
研究团队通过系统的跨轴分析证明了这两个维度的正交性，即认知功能与执行拓扑在描述架构时相互独立且互为补充。他们详细定义了八种代表性模式，包括但不限于Plan-and-Execute、Hierarchical Delegation和Adversarial Verification，每种模式都对应特定的功能-拓扑组合，并具有独特的失败模式和设计权衡。
为了验证框架的实用性，研究者在四个真实世界领域进行了测试：金融贷款审批、法律尽职调查、网络运维以及医疗分诊。结果显示，该框架能够全面描述这些领域中的智能体架构，覆盖了所有实际使用的模式。
跨领域分析还提炼出五条关于模式选择的经验定律。这些定律揭示了环境约束与架构选择之间的内在关系：时间压力（time pressure）迫使选择更简单的拓扑；行动权限（action authority）影响治理功能的需求；失败成本不对称（failure cost asymmetry）决定了是否引入反思或协作；任务规模（volume）则驱动从链式向并行或编排拓扑的转变。
该框架为AI智能体架构设计提供了一套原则性的、框架中立且模型无关的词汇表。研究人员和从业者可以借助这一分类体系，更清晰地描述现有系统、比较不同设计选项，并根据具体场景选择最合适的智能体模式。论文全文可在arXiv上获取，引用编号为2605.13850。