---

name: autonomous-agents description: 自主智能体是能够独立分解目标、规划行动、执行工具并自我纠正的 AI 系统，无需持续的人工指导。挑战不在于让它们有能力，而在于让它们可靠。每一个额外的决策都会成倍增加失败概率。 risk: unknown source: vibeship-spawner-skills (Apache 2.0) date_added: 2026-02-27

自主智能体

自主智能体是能够独立分解目标、规划行动、执行工具并自我纠正的 AI 系统，无需持续的人工指导。挑战不在于让它们有能力，而在于让它们可靠。每一个额外的决策都会成倍增加失败概率。

本技能涵盖智能体循环（ReAct、Plan-Execute）、目标分解、反思模式和生产可靠性。关键洞察：复合错误率会杀死自主智能体。每步 95% 的成功率到第 10 步会降至 60%。先构建可靠性，再追求自主性。

2025 年的教训：赢家是有明确边界的、受约束的、领域特定的智能体，而非"万能自主"。将 AI 输出视为提案，而非真理。

原则

• 可靠性优先于自主性——每一步都会复合错误概率
• 约束范围——领域特定优于通用型
• 将输出视为提案，而非真理
• 在扩展能力之前先建立防护栏
• 关键决策中的人机协作不可妥协
• 记录一切——每个操作都必须可审计
• 安全失败并回滚，而非静默损坏

能力

• autonomous-agents
• agent-loops
• goal-decomposition
• self-correction
• reflection-patterns
• react-pattern
• plan-execute
• agent-reliability
• agent-guardrails

范围

• multi-agent-systems → multi-agent-orchestration
• tool-building → agent-tool-builder
• memory-systems → agent-memory-systems
• workflow-orchestration → workflow-automation

工具

框架

• LangGraph - 适用场景：带状态管理的生产智能体 备注：2025 年 10 月发布 1.0，支持检查点、人机协作
• AutoGPT - 适用场景：研究/实验，开放式探索 备注：生产环境需要外部防护栏
• CrewAI - 适用场景：基于角色的智能体团队 备注：适合专业化智能体协作
• Claude Agent SDK - 适用场景：Anthropic 生态系统智能体 备注：计算机使用、工具执行

模式

• ReAct - 适用场景：交替进行推理和行动步骤 备注：大多数现代智能体的基础
• Plan-Execute - 适用场景：将规划与执行分离 备注：更适合复杂的多步骤任务
• Reflection - 适用场景：自我评估和纠正 备注：评估器-优化器循环

模式

ReAct 智能体循环

交替进行推理和行动步骤

适用场景：交互式问题解决、工具使用、探索

ReAct 模式：

""" ReAct 循环：

1. 思考：推理下一步该做什么
2. 行动：选择并执行工具
3. 观察：接收结果
4. 重复直到目标达成

关键：显式推理轨迹使调试成为可能 """

基本 ReAct 实现

from langchain.agents import create_react_agent
from langchain_openai import ChatOpenAI

# Define the ReAct prompt template
react_prompt = '''
Answer the question using the following format:

Question: the input question
Thought: reason about what to do
Action: tool_name
Action Input: input to the tool
Observation: result of the action
... (repeat Thought/Action/Observation as needed)
Thought: I now know the final answer
Final Answer: the answer
'''

# Create the agent
agent = create_react_agent(
    llm=ChatOpenAI(model="gpt-4o"),
    tools=tools,
    prompt=react_prompt,
)

# Execute with step limit
result = agent.invoke(
    {"input": query},
    config={"max_iterations": 10}  # Prevent runaway loops
)

LangGraph ReAct（生产环境）

from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.postgres import PostgresSaver

# Production checkpointer
checkpointer = PostgresSaver.from_conn_string(
    os.environ["POSTGRES_URL"]
)

agent = create_react_agent(
    model=llm,
    tools=tools,
    checkpointer=checkpointer,  # Durable state
)

# Invoke with thread for state persistence
config = {"configurable": {"thread_id": "user-123"}}
result = agent.invoke({"messages": [query]}, config)

Plan-Execute 模式

将规划阶段与执行分离

适用场景：复杂的多步骤任务，需要完整计划可见性时

Plan-Execute 模式：

""" 两阶段方法：

1. 规划：将目标分解为子任务
2. 执行：执行子任务，可能重新规划

优势：

• 执行前完整可见计划
• 可与人工验证/修改计划
• 更清晰的关注点分离

劣势：

• 对任务中途发现的适应性较差
• 计划可能变得过时 """

LangGraph Plan-Execute

from langgraph.prebuilt import create_plan_and_execute_agent

# Planner creates the task list
planner_prompt = '''
For the given objective, create a step-by-step plan.
Each