Agent架构
-
说明： 在 LLM-based Agent 中，架构指 如何组织 LLM 与其他组件协同工作 的系统设计模式。
-
ReAct (Reasoning + Acting)： 目前最主流的架构。Agent 按照“思考-行动-观察”的循环来解决问题。
-
Plan-and-Execute 架构： 先整体规划任务步骤，再逐个执行（支持并行或顺序）
-
AutoGPT/BabyAGI: 强调自主性，自动生成目标列表并循环执行，直到任务完成
-
Multi-Agent 架构：
- 协作模式（ Collaboration ）： 多个拥有不同角色（Persona）的 Agent 互相配合（例如：股票基本面分析员、市场新闻分析员、情绪分析员、技术面分析员）
- 辩论模式（Debate）： 多个 Agent 互相反驳以修正幻觉，提升准确率
-
Reflexion / Self-Reflection 架构： Agent 在任务失败后，自我评估并生成改进策略
Plan（计划）
-
说明： LLM Agent 的"自主性"体现在能否将模糊目标分解为可执行步骤。
-
Chain-of-Thought（ COT ） ：
- 思维链，通过生成中间推理步骤提升复杂问题的解决准确率，例如：要订机票，先查航班，再比价，再付款
-
Task Decomposition：
- 显式任务拆解，输入目标 → 输出带编号的子任务列表
-
Hierarchical Planning：
- 分层规划（高层目标 → 低层动作），例如：组织会议 → 协调时间]→ 发邀请]→ 准备材料
-
Dynamic Re-planning：
-
根据执行反馈调整计划，工具调用失败 → 生成备选方案
-
Memory（记忆）
-
说明： 由于 LLM 本身无状态，记忆模块用于维持上下文连贯性与长期知识积累。
-
短期记忆（ Short-term Memory ）：
- 实现方式：直接放入 prompt 的上下文窗口（context window）
- 限制：受 token 长度限制（如 128K），需做上下文管理（如滑动窗口、摘要压缩）
-
长期记忆 （Long-term Memory）：
-
实现方式： 外部向量数据库（如 Pinecone、Chroma、FAISS）
-
工作流程：
-
将历史对话、任务结果、用户偏好等嵌入为向量
-
每次新任务时，根据当前 query 检索最相关记忆
-
将检索结果注入 prompt，辅助 LLM 决策
-
-
Tools（工具）
-
说明： LLM 本身不具备实时数据、计算或操作能力，需通过 工具调用（Tool Use / Function Calling） 扩展。
-
典型工具类型：
- 搜索工具： 调用搜索引擎获取最新信息（如 Google Search API）
- 计算工具： 执行数学运算、代码解释（如 Python REPL）
- API 工具： 访问数据库、天气服务、邮件系统等
- 专业工具： 如绘图（DALL·E）、语音合成（TTS）、代码生成（GitHub Copilot）
-
关键机制：
-
工具注册： 向 LLM 描述每个工具的功能、输入/输出格式（通常用 JSON Schema）
-
工具选择： LLM 根据当前目标决定是否调用、调用哪个工具
-
结果融合：将工具返回结果拼接进上下文，供后续推理使用
-
Action（行动）
-
说明： Action 是 Agent 对内外部世界的最终输出
-
与用户交互：
- 生成自然语言回复
- 主动提问澄清模糊指令（例如：您是指2024年还是2025年的数据？）
- 确认高风险操作（例如：即将删除文件，是否继续？）
-
与环境交互：
- 调用外部工具
- 修改外部状态（如更新数据库、发送邮件、控制 IoT 设备）
- 生成可交付物（如代码、报告、图表）
