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。


示意图：

<img src="/img/9ca490b247964b498b6e590cb443ab7d.png" width="300">


#### 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 Plan（规划）、 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。


示意图：

<img src="/img/d43299a243a941cfb58d396f92b97327.png" width="400">


#### 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 或 TeamAgent （支持多层嵌套）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。


示意图：

<img src="/img/22563098a58146e1bf35112864131d3f.png" width="600">



### 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：`[P? -> 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、Skills，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。     | maxTurns 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（控制也会更复杂）。
* 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。
```