Solon agent - 点、圈、网的协同演进
2026年1月14日 上午1:22:11
在 Solon AI Agent 框架中，我们根据任务的复杂度与处理模式，预置了三类核心智能体实现。
1、三类（预置的）智能体实现
SimpleAgent (简单智能体) —— “点”
- 定位：最轻量的执行单元。
- 核心价值：解决了“怎么让模型说人话（结构化）”和“别断网（自动重试）”的基础工程问题。
- 特性：无状态跳转，单次交互，专注指令增强与 JSON Schema 约束。
ReActAgent (自我反思型智能体) —— “圈”
- 定位：引入 计算图（Graph） 概念的逻辑闭环。
- 核心价值：通过 Reason (推理) 与 Action (行动) 的往复循环，能够利用外部工具解决 LLM 知识盲区内的任务。
- 特性：具备 思维链（CoT） 能力，会根据工具返回的 Observation (观察) 自发修正后续路径。
TeamAgent (团队协作型智能体) —— “网”
- 定位：高层抽象的专家集群容器。
- 核心价值：它不直接执行任务，而是作为“总指挥”，通过 TeamProtocol (协作协议) 将多个 * Simple 或 ReAct Agent 编织成一个协同作战单元。
- 特性：支持跨角色的状态机编排，具备踪迹隔离与多专家会诊能力。
2、多维度深度对比
| 维度 | SimpleAgent (基础型) | ReActAgent (推理型) | TeamAgent (协作型) |
|---|---|---|---|
| 执行逻辑 | 线性单次：提示词 -> LLM -> 结果。 | 循环闭环：[R -> A -> O] 循环直至终止。 | 计算图编排：依据协议驱动专家流转。 |
| 工具能力 | 支持 Tool-call，仅限获取辅助数据。 | 核心依赖。通过 Action 获取反馈修正行为。 | 协议驱动。协调各专家间的工具集共享。 |
| 踪迹隔离 | 简单历史窗口管理。 | 记录 Thought 与 Action 的推理轨迹。 | 独有 TraceKey 隔离不同团队的协作痕迹。 |
| 容错机制 | 自动重试、强制 Schema 校验。 | maxSteps 限制，防止逻辑死循环。 | maxIterations 限制，控制协作轮次。 |
3、场景决策矩阵：我该选哪种？
场景 A：数据提取与格式化 —— 选择 SimpleAgent
- 特征：任务只有“一步”，路径明确，不需要中途根据反馈做决策。
- 典型案例：从杂乱的简历文本中提取“姓名、电话、技能点”并转为 JSON 格式。
- 代码隐喻：
提取这些信息，严格按照我的 Schema 格式输出。
场景 B：需要“手脚”的复杂诊断 —— 选择 ReActAgent
- 特征：任务需要拆解，且 LLM 必须根据第一步的结果来决定第二步做什么。
- 典型案例：“查一下 2024 年诺贝尔奖得主，分析其论文，并对比他提到的 X 理论在中国的应用。”
- 选型逻辑：单次 Prompt 无法容纳所有搜索结果，需要 Agent 反复查询并思考。
- 代码隐喻：
先去搜，搜不到就换个关键词，搜到了就分析，直到得出结论。
场景 C：跨领域专家协作 —— 选择 TeamAgent
- 特征：任务需要多个“角色身份”参与，每个角色有不同的知识面和工具。
- 典型案例：“低空经济行业分析。先请政策专家解读，再请技术专家评估电池方案，最后财务专家出投资建议。”
- 选型逻辑：防止单一模型由于上下文污染（Context Pollution）导致的角色崩坏，通过角色隔离提高准确度。
- 代码隐喻：
各就各位，按协议接力。