在《构建典型的多智能体应用》中我们使用了1主3子4个智能体构建了一个典型的多智能体应用，在本章节我们将进一步将这种智能体协同方式沉淀成标准模版来方便后续的复用与共享。
我们可以发现保险咨询智能体问答场景主要包含了策划、执行与表达3个核心智能体。其中insurance_planning_agent主要对于对用户的复杂问题进行拆分；insurance_executing_agent智能体主要负责问题检索执行，对于对策划后的问题通过检索知识工具进行必要信息的收集；insurance_expressing_agent智能体结合用户提问进行最终的回答与表达。
样例地址：demo_startup_app_with_agent_templates
在上面的多智能体应用中我们会发现，这种模式具备很强的复用性，我们将其运行过程抽象封装成一个智能体模版InsuranceAgentTemplate。这样大部分的智能体问答类场景仅需基于这个模版做一些微小的调整，就可以快速构建。
参考 insurance_agent_template.py，这里将智能体会用到的包括注册agent，处理记忆/llm/工具/prompt以及执行主体的一些通用方法进行了一定的抽象，这些方法在保险咨询的智能体中大部分都可以复用。
实际上AU框架提供了相当多的智能体模版，包括Rag，React，PEER模式等，建议使用这些现有的模版构建自己的智能体。
细心的你可能发现上了上述3个智能体构成的标准模版，包含了策划（Plan）、执行（Execute）、表达（Express），我们将其称为PEE模式。在复杂的场景中，我们希望这种模式可以进一步自我评估与修正，于是我们可以在最后额外加入评估节点，这便是AU框架中提到的PEER模式。该pattern通过计划（Plan）、执行（Execute）、表达（Express）、评价（Review）四个不同职责的智能体，实现对复杂问题的多步拆解、分步执行，并基于评价反馈进行自主迭代，最终提升推理分析类任务表现。典型适用场景：事件解读、行业分析
样例地址：demo_startup_app_with_agent_templates
您可以在测试文件中完整运行PEER案例。