近两年我一直在带团队做AI应用开发,经常遇到一种现象:新来的同事听说要学设计模式,第一反应是“这东西是不是过时了”“AI都直接写代码了,谁还研究模式”。但真到写多Agent编排、工具注册、上下文管理的时候,他们又会被同一个问题反复卡住——组件之间怎么组织才不乱、扩展点放在哪里、怎么让不同能力的模块互相替换而不牵一发动全身。这些问题的答案,恰恰就藏在那23个看似老掉牙的模式里。
“二十三种设计模式”这个经典话题,在任何时代都不是用来背的,而是用来“认场景”的。把23个模式拆开看,它们本质上是23种应对变化的设计策略。而进入AI应用开发时代,这些策略不仅没失效,反而在多Agent系统、工具调用链、流程编排这些新战场里被激活了。甚至热搜词里提到的“主从模式本质上是把subagent当作一种特殊的tool来调用”,这本身就是对传统模式在新架构下的一次重新解读。
这篇文章不打算按教科书顺序把23个模式逐个贴一遍UML图,那样你已经看过一百遍了。我想换个角度:以现代应用开发(尤其是AI原生应用)为背景,把23种模式分门别类放进真实项目里,讲清楚每个模式解决什么变化点、用什么思路识别它、用在哪一段代码里最合适。再单独拿出一节,聊一聊多Agent设计中那些“旧模式新用法”。最后,说几个我这些年踩过的和设计模式有关的坑。
1. 先别急着背23个名字:从AI开发者的视角看设计模式的价值
很多初学者拿到《设计模式》第一件事就是背名字:单例、工厂、观察者、策略……背完发现还是写不好代码,原因是把模式当成了“代码模板”,而不是“应对变化的设计决策”。在开始逐类拆解之前,我想把设计模式放在AI应用开发的坐标系里重新定位一下,这样后面每个模式的价值才会真正浮出来。
模式解决的核心问题只有一个:找到代码中可能变化的地方,然后把变化封装起来。 这是《设计模式》开篇就在讲的事情。所谓“面向接口编程”“优先组合而非继承”“开闭原则”,本质上都是为了让“变化的点”和“稳定的点”解耦。AI应用里变化最剧烈的是什么?是模型。今天用GPT,明天换Claude,后天可能上开源模型;今天一个Agent只调一个模型,明天可能需要根据任务难度动态路由到底层不同模型。如果不把“模型调用”这个变化点封装起来,将来每一次切换都是一场灾难。这种封装思路,映射到设计模式里就是策略模式、工厂模式、适配器模式的组合应用。
第二件重要的事是:设计模式不是“高级技巧”,而是“沟通词汇”。当我跟团队成员说“这个工具注册器用工厂方法实现”,我不用再解释一遍注册逻辑的扩展方式,对方立刻就知道新增一种工具类别时要改哪里、该实现什么接口。这种沟通成本的降低,在大规模AI应用工程里尤为宝贵——因为现在的Agent系统动辄几十个工具、十几个子Agent,没有统一的词汇,代码评审会变成逐行解释会。
第三,AI时代的设计模式正在出现“语义迁移”。比如说,Template Method(模板方法)过去用来定义算法骨架、把可变步骤留给子类实现;现在很多Agent框架的“主流程”就是模板方法——先收集用户意图、再调用工具、再组织回答,其中每一步都允许通过重写来定制。再比如Observer(观察者)过去是GUI事件监听那一套;现在Agent的事件总线、流式输出推送、工具执行状态通知,全是观察者模式的影子。因此,与其说设计模式过时了,不如说它在新的应用形态里找到了新的栖息地。
我会在后面的章节里把23个模式全部覆盖到,但不会平均用力。重点放在那些在AI原生应用、服务端架构、复杂业务编排里出场率最高的模式上,这部分我会结合代码和场景讲深一点;有些相对冷门的模式(比如解释器、备忘录),我会用最简练的方式讲清楚它的核心思想和常见应用点。你可以按自己的项目阶段挑着看:正在做系统架构的,重点看第2、3章;正在做业务流程编排的,重点看第4章;正在搞多Agent项目的,第5章不要错过。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 创建型模式:Agent工具注册与懒加载场景下的工厂、单例、建造者、原型
创建型模式一共5个:工厂方法、抽象工厂、单例、建造者、原型。这5个模式的核心思考起点是同一个:对象创建这件事本身,也可能成为变化点。 在AI应用开发里,对象创建的复杂度被放大了——工具对象动辄依赖模型客户端、向量数据库连接、外部API凭证,如果每个地方都手动new,改造成本极高。创建型模式解决的就是“如何让创建过程可控、可扩展、不散落各处”。
2.1 工厂模式:把Agent工具注册变成可扩展的装配线
工厂模式有三种形态:简单工厂、工厂方法、抽象工厂。很多人搞不清三者的区别,我用一个工具注册的场景来演示。
假设你正在开发一个Agent系统,里面有大量工具:天气查询、文档检索、数据库查询、邮件发送。最简单的写法是在注册中心里写一堆if-else:
python复制def create_tool(name: str, config: dict):
if name == "weather":
return WeatherTool(config)
elif name == "retriever":
return RetrieverTool(config)
elif name == "db_query":
return DatabaseTool(config)
...
这段代码的问题很直接:每新增一个工具,就要改动create_tool函数,违反了开闭原则。把它改造成工厂方法模式的做法是这样:
python复制class ToolFactory(ABC):
@abstractmethod
def create(self, config: dict) -> BaseTool:
pass
class WeatherToolFactory(ToolFactory):
def create(self, config: dict) -> BaseTool:
return WeatherTool(api_key=config["api_key"])
class RetrieverToolFactory(ToolFactory):
def create(self, config: dict) -> BaseTool:
vector_store = get_vector_store(config["collection_name"])
return RetrieverTool(vector_store=vector_store)
然后维护一个工厂注册表:
python复制TOOL_FACTORIES: dict[str, type[ToolFactory]] = {
"weather": WeatherToolFactory,
"retriever": RetrieverToolFactory,
}
新增工具时,只需要新增一个Factory类并注册,不需要改动已有的注册逻辑。这个模式最大的好处不是代码变短,而是把“怎么创建工具”这个变化点集中到了工厂类里,工具本身怎么初始化、依赖什么资源、参数怎么校验,都收口了。
抽象工厂模式则解决“一系列相关对象”的创建问题。举个例子,如果你需要支持OpenAI生态和Anthropic生态,两个生态分别有模型客户端、嵌入客户端、token计算器,这时候就不适合用单个工厂,而要用抽象工厂定义“模型生态工厂”接口,OpenAIFactory和AnthropicFactory分别实现整套产品的创建。在AI应用里,做模型网关时常会用到抽象工厂的思路,保证切换生态时整组依赖一起替换。
2.2 单例模式:模型客户端到底该不该全局唯一
单例模式大概是设计模式里被滥用最多、也最容易被骂的一个。网上一搜一大片“单例模式之我见”,观点两极分化。我的看法是:单例本身不是罪,罪在不加思考地把什么类都做成单例。判断依据很简单:这个对象在进程里是否真的只需要一个实例,且多个实例会带来资源浪费或状态不一致。
模型客户端就是一个适合单例的典型。比如OpenAI客户端,它内部维护连接池、token bucket限流器,如果你每次请求都new一个,连接池资源反复创建销毁,性能损耗巨大。更关键的是,很多模型客户端要求共享某些配置(比如API key、base_url、代理设置),多个实例反而容易配置漂移。所以,用单例来管理模型客户端是合理的。
但实体类、服务类、工具类绝不建议做成单例。比如一个UserService,如果你把它做成单例,那么它的成员变量就不能保存任何请求级状态,否则并发请求会互相污染。我在真实项目里见过把“当前用户ID”存在单例Service里的操作,结果就是A用户的请求偶尔看到B用户的数据,排查了整整两天。这种坑不是单例模式的错,是选错了使用场景。
如果你用Python写代码,单例模式不需要刻意用__new__去实现。直接用模块级全局变量,或者用依赖注入容器管理生命周期,更简单也更容易测试:
python复制# 模块级单例
_model_client = None
def get_model_client():
global _model_client
if _model_client is None:
_model_client = OpenAI(
api_key=settings.OPENAI_API_KEY,
base_url=settings.OPENAI_BASE_URL,
)
return _model_client
代码简单,行为清晰,测试时直接替换_model_client即可。
2.3 建造者模式和原型模式:搞定复杂配置对象与Prompt模板复用
建造者模式解决的是“对象有非常多参数,而且参数之间可能有依赖关系”的创建场景。AI应用里最典型的例子是构建一次模型调用的完整参数:model、messages、temperature、top_p、max_tokens、tools、response_
