30 个必知的 AI Agent 关键术语
我整理了一份简洁的可视化指南，涵盖 AI Agent 领域 30 个最重要的术语。这些术语能帮你理解现代 AI 智能体（Agent）实际的思考、行动和协作方式，是核心必备知识。【AI大模型教程】
如果你正在研究 LangChain、Spring AI、Spring AI Alibaba、CrewAI、LangGraph 或 AutoGen 等智能体框架，这份术语表能帮你理清关键构成模块之间的关联。
一、核心术语解析
-
Agent（智能体）：能感知环境、进行推理并为达成目标采取行动的自主 AI 实体。
-
Environment（环境）：智能体运行和交互的外部世界或系统。
-
Action（行动）：智能体基于推理或目标执行的响应的任务。
-
Observation（观测）：智能体在任意时刻从环境中获取的数据或输入信息。
-
Goal（目标）：智能体被设计要实现的预期结果。
-
LLMs（大型语言模型）：支持智能体进行推理和生成自然语言的基础模型。
-
Tools（工具）：智能体用来扩展功能、与外部世界交互的 API 或实用程序。
-
Evaluation（评估）：衡量智能体是否达成预设目标的过程。
-
Orchestration（协调调度）：多个智能体协同工作以完成复杂任务的协调与控制机制。
-
Multi-agent system（多智能体系统）：一组智能体协作实现最终目标的系统。
-
Human-in-the-loop（人机协同）：人类介入或指导智能体决策过程的模式。
-
Reflection（反思）：智能体自我评估行为，以改进未来表现的过程。
-
Planning（规划）：确定智能体达成目标所需步骤顺序的过程。
-
ReAct：一种将推理（思考）和行动（工具使用）逐步结合的框架。
-
Feedback loop（反馈循环）：收集结果、观察影响并调整行动的持续过程。
-
Context window（上下文窗口）：智能体能同时处理的最大信息量。
-
System prompt（系统提示词）：定义智能体行为的持续性背景指令或特性设定。
-
Few-shot learning（少样本学习）：仅通过少量示例教会智能体新行为或新任务的方法。
-
Hierarchical Agents（分层智能体）：由上级智能体向下级智能体分配任务的多层级智能体结构。
-
Short-term memory（短期记忆）：在单次会话中存储的临时上下文信息。
-
Long-term memory（长期记忆）：跨多次会话存储的持久化上下文，用于保证连贯性和支持学习。
-
Knowledge base（知识库）：结构化的信息存储库，智能体可用于推理和决策。
-
Context engineering（上下文工程）：通过筛选智能体可获取的信息，优化其输出结果的实践方法。
-
Guardrails（安全护栏）：防止智能体采取有害或非预期行动的规则或边界。
-
Tool call（工具调用）：智能体为执行特定任务发起的 API 调用。
-
Guidelines（指导原则）：确保智能体行为与预期结果一致的政策或约束条件。
-
ARQ：一种新的结构化推理方法，智能体可通过逐步拆解解决复杂的特定领域问题。
-
MCP：智能体连接外部工具、API 和数据源的标准化方式，包含 MCP 服务器、MCP 客户端、JSON-RPC、采样机制、MCP 安全防护、沙箱技术，以及如何将 LangGraph/LlamaIndex/CrewAI/PydanticAI 与 MCP 结合使用。
-
A2A（智能体对智能体协议）：支持智能体直接通信和交换数据的协议。
-
Router（路由）：将任务分配给最合适的智能体或工具的机制。
这些术语共同构成了 AI 工程师必须掌握的 AI Agent 生态核心。
👉 轮到你了：我们还遗漏了哪些重要术语？
好了，这就是我今天想分享的内容。如果你对构建企业级 AI 原生应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~
