AI代理设计模式新框架：认知功能与执行拓扑的二维分类

近日，一篇发表于 arXiv 的论文《A Two-Dimensional Framework for AI Agent Design Patterns: Cognitive Function and Execution Topology》提出了一套全新的 AI 代理设计模式分类框架，试图解决现有描述体系视角单一的问题。

现状痛点：单维分类的局限性

当前，业界和学术界对 LLM 代理架构的描述往往只从一个维度出发：

行业指南（如 Anthropic、Google、LangChain 等）侧重于执行拓扑，即数据如何流动；
认知科学调查则侧重于认知功能，即代理做什么。

然而，单一维度无法区分架构上截然不同的系统：例如，相同的 Orchestrator-Workers（编排器-工作者）拓扑，既可以实现 Plan-and-Execute（计划与执行）、Hierarchical Delegation（分层委派），也可以实现 Adversarial Verification（对抗性验证）——这三种模式具有根本不同的失效模式和设计权衡。

二维分类框架：7×6 矩阵

论文提出了一种二维分类法，将两个维度结合：

1. 认知功能轴（Cognitive Function）

包含 7 个类别：

上下文工程（Context Engineering）
记忆（Memory）
推理（Reasoning）
行动（Action）
反思（Reflection）
协作（Collaboration）
治理（Governance）

2. 执行拓扑轴（Execution Topology）

包含 6 种结构原型：

链（Chain）
路由（Route）
并行（Parallel）
编排（Orchestrate）
循环（Loop）
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。

验证与实证规律

论文通过系统的跨轴分析证明了两个维度的正交性，详细定义了 8 种代表性模式，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）验证了描述覆盖范围。跨领域分析得出了 5 条模式选择的经验法则，揭示了环境约束（如时间压力、行动权限、失败成本不对称、规模）与架构选择之间的关系。

框架价值

该框架为 AI 代理架构设计提供了一套原则性、框架中立且模型无关的词汇表，有助于不同团队在设计、讨论和比较代理系统时使用统一的语言，减少因视角差异导致的混淆。对于当前快速发展的 AI 代理领域，这一分类法有望成为重要的参考工具。