以下是对前面提到的四种智能体架构的简要说明，并使用示例数据进行逐步演示。

1. 迭代搜索智能体（基本循环）

这就像一个侦探，每次只搜索一条线索，直到破案为止。它采用 ReAct 模式（原因 + 行动）。

问题：对于复杂的问题，它的速度太慢，因为它一次只能执行一个操作。

示例数据：

用户问题：“新款 iPhone X 的价格是多少？”

步骤 1（原因）：我需要找到价格。

步骤 2（行动）：搜索 “iPhone X 价格”。

步骤 3（观察）：结果显示 “999 美元”。

步骤 4（原因）：就这些吗？

步骤 5（行动）：搜索 “iPhone X 发布日期”（以防万一）。

最终答案：“iPhone X 的价格是 999 美元。”

2. 仅规划器架构（主控）

主控 AI（规划器）不会立即进行搜索，而是先将大问题分解成更小的子任务。这解决了工作量过大或过小的问题。

问题：如果没有规划器，一个简单的问题可能需要进行 5 次搜索才能解决，从而浪费时间。

示例数据：

用户问题：“规划一次为期 3 天的东京之旅。”

规划器（主控）输入：分析复杂度。

规划器输出（计划）：

子任务 1：查找航班。

子任务 2：查找酒店。

子任务 3：查找餐厅。

执行：智能体现在完成这 3 个具体任务。

3. 规划器 + 评估器（质量控制）

此架构在之前的系统中添加了一个 “评判者”（评估器）。它决定何时停止搜索，以避免智能体陷入循环或过早放弃。

问题：有时智能体过早停止（答案错误）或无限期地搜索（浪费资源）。

示例数据：

用户问题：“特斯拉的首席执行官是谁？”

迭代 1：智能体找到 “埃隆・马斯克是创始人之一”。

评估者（评判者）：

这是否足够？否。

知识缺口：没有说明他是现任首席执行官。

迭代 2：智能体搜索 “特斯拉现任首席执行官”，找到 “埃隆・马斯克”。

评估者（评判者）：

这是否足够？是。

最终答案：“特斯拉的首席执行官是埃隆・马斯克。”

4. 递归搜索智能体（ROMA - 树状结构）

这种架构像家谱一样将问题分解。子问题可以有 “子” 问题。它用于非常深入、复杂的研究，其中一个答案依赖于另一个答案。

问题：对于步骤 B 依赖于步骤 A 结果的大型项目，简单的线性结构并不适用。

示例数据：

用户问题：“分析 A 公司的财务状况。”

一级（主任务）：获取财务报告。

二级（子任务）：检查 “收入”。

三级（子子任务）：将收入与去年同期进行比较。

二级（子任务）：检查 “负债”。

三级（子子任务）：计算负债权益比率。

最后一步：将三级结果合并，生成最终的一级分析报告。