Agent Architecture
21 个 Agentic 设计模式精炼参考，无代码纯概念，作为 AI Agent 设计阶段架构决策参考，可作 Claude Code Skill 使用
Agent Architecture 快速入门
一句话卖点: Agent 开发最难的不是写代码，而是选架构——21 个精炼设计模式帮你做对第一步
这是什么?适合谁?
agent-architecture 是 21 个 Agentic 设计模式的精炼参考——无代码，纯概念。覆盖 Fanout（扇出）、Adversarial（对抗）、Loop（循环）、Classify（分类）、Generate-Filter（生成-过滤）、Tournament（锦标赛）等核心模式，作为构建 AI Agent 的设计阶段参考。
核心理念：Agent 开发的最大挑战不是”写代码”，而是”选择合适的架构模式”。不同的任务类型需要不同的 Agent 架构——用错了模式，再好的代码也救不回来。agent-architecture 将 21 个经过验证的 Agentic 设计模式提炼为概念级参考（内容基于 Antonio Gulli 的《Agentic Design Patterns》一书），帮助开发者在设计阶段做出正确的架构决策。
该项目可作为 Claude Code Skill 直接使用，在编码时提供架构模式参考。
适合：正在设计 AI Agent 系统的架构师和开发者，需要快速了解 Agent 设计模式的技术决策者。不适合：只需要”复制粘贴代码”的快速原型开发场景。
准备工作
- 了解 AI Agent 的基本概念（Agent 循环、工具调用、多 Agent 协作）
- 有实际的 Agent 开发需求或设计任务
- （可选）使用 Claude Code 以 Skill 形式集成
3 步快速上手
第 1 步: 获取模式参考
git clone https://github.com/eshwarvijay/agent-architecture.git
cd agent-architecture
浏览仓库中的模式文档，每个模式包含：
- 模式名称和一句话描述
- 适用场景
- 架构示意
- 与其他模式的关系
第 2 步: 匹配你的任务到合适的模式
根据你的 Agent 任务特征选择模式：
- 需要多个 Agent 并行处理同一任务 → Fanout 模式
- 需要质量审查和纠错 → Adversarial 模式
- 需要迭代改进 → Loop 模式
- 需要先分类再处理 → Classify 模式
- 需要从多个候选中选最优 → Tournament 模式
第 3 步: 作为 Claude Code Skill 使用
将仓库配置为 Claude Code Skill，在编码时直接引用。在项目的 CLAUDE.md 或 .claude/skills/ 中添加对该仓库的引用，Claude Code 会在设计 Agent 时自动参考相应的架构模式。仓库根目录已带 .claude-plugin 元数据，可直接通过 /plugin 命令安装。
常见踩坑
- 模式不是银弹——21 个模式各有适用场景，不存在”最好”的模式，只有”最合适”的模式
- 不要过早选择模式——先明确任务需求和数据流，再匹配模式
- 模式可以组合——复杂 Agent 系统通常需要组合多个模式，不要强行套用单一模式
- 概念级参考不等于实现指南——仓库不包含代码，需要开发者自行实现
- 模式选择后需要验证——在实际任务上测试选择的模式是否真的有效
初级用法
- 设计前参考：在开始编码前浏览所有 21 个模式，确保没有遗漏更合适的架构
- 模式对比：将 2-3 个候选模式并列对比，评估各自的优缺点
- 团队讨论：用模式名称和概念作为团队讨论 Agent 设计的共同语言
- 文档模板：将选定的模式作为 Agent 设计文档的架构章节
高级玩法
- 模式组合矩阵：分析不同模式之间的组合关系，构建复杂 Agent 系统的架构蓝图
- 反模式识别：通过了解”正确”的模式，识别当前 Agent 系统中的架构反模式
- 模式演化追踪：跟踪 Agent 架构从简单到复杂的演化路径，规划渐进式架构升级
- 跨框架适配：将模式概念映射到具体框架（LangGraph、CrewAI、AutoGen）的实现方式
小技巧
- 先看 Fanout、Adversarial、Loop 三个最常用的模式
- 用白板画出模式的架构示意，比纯文字更容易理解
- 将选定的模式名称写在设计文档的标题中，方便团队对齐
- 定期回顾模式参考——随着 Agent 系统演化，可能需要切换模式
- 关注仓库更新——作者可能添加新的模式或改进现有描述
常见问题 FAQ
Q1: 这个项目和 agentic-handbook 有什么区别？ agent-architecture 专注于 21 个设计模式的概念级参考（“有哪些模式可选”），agentic-handbook 是 CPTO 级别的工程化决策框架（“如何选择和执行”）。两者互补：先用 agent-architecture 了解可选模式，再用 agentic-handbook 做工程决策。
Q2: 为什么没有代码？ 这是有意为之——agent-architecture 定位为”设计阶段参考”，不绑定任何特定框架或语言。模式的概念是通用的，可以在 LangGraph、CrewAI、AutoGen 等任何框架中实现。
Q3: 如何作为 Claude Code Skill 使用？
将仓库克隆到本地，在项目的 CLAUDE.md 中添加对该目录的引用。仓库根目录含 .claude-plugin 与 skills/agent-architecture/ 结构，可直接通过 Claude Code /plugin 安装。
Q4: 这些模式有学术依据吗？ 仓库内容基于 Antonio Gulli 的《Agentic Design Patterns》一书，模式命名与分类沿用该书体系。
Q5: 适合初学者吗？ 适合有一定 Agent 开发经验的开发者。如果你刚接触 AI Agent，建议先了解 Agent 的基本概念（Agent 循环、工具调用），再回来看模式参考。
参考链接
- GitHub 仓库：eshwarvijay/agent-architecture
- 相关项目：agentic-handbook
- 相关项目：workflow-patterns
- LangGraph 文档：langchain-ai.github.io/langgraph
- CrewAI 文档：docs.crewai.com
📊 评分与标签
评分说明
总分 5.4/10 · H_观察
📊 可观测社区指标（数据核验日期：2026-07-07）
- GitHub: eshwarvijay/agent-architecture ★3, 🔱0, 14 commits
- License: MIT
- 内容来源: 21 patterns from Antonio Gulli’s Agentic Design Patterns
- 分发形式: Claude Code plugin（
.claude-plugin元数据 +skills/agent-architecture/）
🤖 Agent 能力 0.8/2.0
- 定位是”设计模式的知识库”，本身不执行任何 Agent 任务——没有 Agent Loop、没有工具调用、没有多步推理，仅提供 21 个 Agentic 模式的概念性描述（Fanout / Adversarial / Loop / Classify / Generate-Filter / Tournament 等），需要开发者自己在 LangGraph、CrewAI、AutoGen 中实现。作为知识参考对设计阶段有价值，但直接可执行能力为零。
- 竞品对比 1（agentic-handbook）：同为设计参考类项目，agentic-handbook 侧重工程化决策流程（选架构 / 评审 / 落地），agent-architecture 只做模式分类；两者都不是可执行 Agent。
- 竞品对比 2（LangGraph）：LangGraph 是真正可执行的 Agent 图框架，能力上属于另一个维度——直接跑得起来，而 agent-architecture 只能”教你怎么画图”。
- 来源：LangGraph 文档
🖐️ 易用性 1.3/1.5
- git clone 即用，纯 Markdown 文档零依赖；仓库根目录带
.claude-plugin/元数据，Claude Code 用户可通过/plugin一键安装为 Skill；文档篇幅短、模式定义精炼，5-10 分钟即可通读，学习曲线极低。 - 竞品对比 1（agentic-handbook）：篇幅较长，需 30 分钟以上通读；agent-architecture 更快上手。
- 竞品对比 2（LangGraph 官方教程）：需搭 Python 环境 + 装依赖 + 学 API，上手成本远高于纯 Markdown。
🔌 生态集成 0.6/2.0
- 生态集成只覆盖 Claude Code 一个入口（通过
.claude-plugin打包），没有对 LangGraph / CrewAI / AutoGen / MCP / REST API 等主流 Agent 框架的直接桥接；用户想在其他框架中使用只能人工照搬模式描述。 - 竞品对比 1（CrewAI）：原生支持多种模型 + 工具 + MCP 集成，属于框架层生态，集成度远超本项目。
- 来源：CrewAI 官方文档
- 竞品对比 2（LangGraph）：与 LangChain 生态深度绑定，可复用 LangChain 数百个工具/模型集成。
- 来源：LangGraph 文档
👥 社区支持 0.3/1.5
- GitHub 3 stars / 0 forks，无 Issue / Discussion / PR 活动；无 HackerNews、Product Hunt、Reddit 讨论收录；作者 eshwarvijay 个人维护，无组织背书。社区支持维度基本为零，只能算个人练手项目。
- 竞品对比 1（LangGraph）：LangChain 组织维护，Discord/GitHub 讨论活跃，社区规模差数个量级。
- 竞品对比 2（CrewAI）：GitHub 30k+ stars 级别的活跃社区，企业采用广泛。
💡 创新程度 0.9/1.5
- 21 个模式的分类体系（Fanout / Adversarial / Loop / Classify / Tournament 等）具有实用价值——用一套统一术语描述 Agent 设计选择，方便团队对齐；但模式本身来自 Antonio Gulli《Agentic Design Patterns》一书，是对既有知识的重新整理与打包，而非原创发现，创新体现在”打包为 Claude Code Skill”这一使用形态，而非模式本身。
- 竞品对比 1（Antonio Gulli 原书）：原书是知识源头，本项目相当于”精炼版目录”，创新在于形态而非内容。
- 竞品对比 2（workflow-patterns）：类似的模式知识库项目，两者互为对照，说明该品类已有多个尝试者。
🔒 稳定性 1.5/1.5
- 静态 Markdown 内容，MIT 协议开源，没有运行时依赖、没有 API 服务、没有版本兼容问题——一次 clone 永久可用；14 commits 说明作者持续维护过一段时间，没有 breaking change 风险。作为知识库类项目，稳定性维度理应满分。
- 竞品对比 1（LangGraph）：作为可执行框架，版本更新会带来 breaking change，稳定性维度反而不如纯文档。
- 竞品对比 2（agentic-handbook）：同为静态文档类项目，稳定性相当。
评分依据可追溯至公开来源，每项分数均有明确理由和数据支撑。
🏷️ 标签说明
- 免费: MIT 协议开源，clone 即用，无付费墙。来源：eshwarvijay/agent-architecture
- 设计模式: 项目核心内容是 21 个 Agentic 设计模式的分类与描述，专供 Agent 架构决策参考使用。来源：README
- Agent: 定位为 AI Agent 设计阶段的知识底座，服务于 Agent 系统的架构选型。来源：README
📋 来源与核验记录
- ✅ 已核验：eshwarvijay/agent-architecture（Star 3、Fork 0、14 Commits、
.claude-plugin/+skills/agent-architecture/目录） - ⚠️ 间接来源（未直接验证）：Antonio Gulli《Agentic Design Patterns》书籍内容，仅依据仓库 README 声明
- ⚠️ 未验证（未逐一打开）：竞品仓库 agentic-handbook / workflow-patterns / crewAIInc、LangGraph 文档
- ❌ 已删除死链：无
同分类推荐
开发框架 分类下的其他 Agent