无论是开源框架（LangGraph、LlamaIndex、AutoGen），还是商业产品（OpenAI Assistant、Claude、各类AI工作流工具），底层逻辑都在这几个关键词的范畴内。
我帮你把这几个概念梳理成一个分层架构图，并解释它们如何组合成一个完整的智能体系统。
1. Agent Loop（智能体主循环）
这是系统的“心脏”。本质上是一个ReAct（Reason + Act）模式的无限循环，直到任务完成或达到停止条件。
- 流程：思考（Thought）→ 调用工具/子智能体（Action）→ 观察结果（Observation）→ 再次思考。
- 关键点：这个Loop决定了智能体是“一根筋”还是“有规划”。高级的实现（如LangGraph）允许这个Loop不是简单的
while true，而是一个有状态图（支持分支、并行、人机回环）。
2. Task（任务单元）
代表一个具体、可执行、有明确输入输出的工作单元。
- 粒度：一个“写一份市场报告”是顶层任务，而“搜索2024年数据”、“总结财报”则是子任务。
- 在Loop中的位置：Agent Loop将用户指令拆解为多个Task，Task驱动Tool Use或Subagent。
3. Tool Use（工具调用）
智能体与外部世界交互的接口。
- 形式：函数调用（Function Calling）、API请求、代码执行、检索（RAG）。
- 进阶点：不仅仅是“调用”，现代架构强调Tool的鲁棒性（重试机制、错误处理、流式输出）。
4. Skill（技能）
封装好的能力。与Tool的区别在于：
- Tool通常是“原子级”的（如：
search_web）。 - Skill通常是“封装级”的（如：
数据分析师技能，它内部可能包含写代码+运行环境+画图+解释结果这一整套流程）。 - 在Claude等系统中，Skill往往通过提示词模板或预置的工作流来实现。
5. Subagent（子智能体）
带有独立上下文的智能体。这是解决“复杂任务”的关键。
-
为什么要用Subagent？
- 上下文隔离：主智能体的上下文窗口有限，Subagent处理子任务时拥有独立的内存，处理完只把结果摘要返回给主智能体。
- 专业化：可以实例化不同配置的智能体（比如“代码专家”用高temperature，“严谨审核员”用低temperature）。
-
模式：Subagent在执行时，自身也包含一个独立的 Agent Loop + Tool Use。
6. Concurrent Tasks（并发任务）
并行执行。当任务之间没有依赖关系时，系统应该同时运行它们。
- 挑战：并发不仅仅是“开多线程”。难点在于资源共享（同一个API的限流处理）、结果聚合（等待所有并发任务完成后合并）以及死锁避免。
7. Compact（上下文压缩）
针对大模型有限上下文窗口的工程化解决方案。
-
痛点：Agent Loop运行久了，历史记录（Message History）会爆炸式增长，导致超限或Token成本过高。
-
Compact的手段：
- 总结：将过去的对话摘要成一段文本，丢弃原始细节。
- 剪枝：移除无关紧要的工具调用结果。
- 战略性遗忘：在开启Subagent时，将主智能体的某些记忆“冻结”，而不是一直携带。
这些概念是如何组合起来的？
以一个实际需求为例： “帮我分析一下最新的特斯拉财报，并和比亚迪做对比，然后发一封总结邮件给团队。”
一个现代Agent系统的处理流程如下：
-
Agent Loop（主） ：启动，分析用户意图。
-
Task分解：
Task 1：搜索并获取特斯拉最新财报PDF。Task 2：搜索并获取比亚迪最新财报PDF。Task 3：对比分析。Task 4：撰写邮件。
-
Concurrent Tasks：发现
Task 1和Task 2没有依赖关系，并发启动两个检索任务。 -
Subagent调用：
- 主Agent意识到“分析财报”需要深度数据理解，于是生成一个Subagent（财务分析师模式） 。
- 这个Subagent拥有自己的Agent Loop。它调用 Tool Use（如
python_executor）来计算财务比率。 - 过程中，Subagent上下文积累了30轮对话，接近窗口上限，于是触发 Compact，将计算过程压缩为一段“核心财务指标总结”，释放上下文空间。
-
Skill调用：主Agent调用 Skill（“邮件撰写技能”） ，该Skill内置了公司邮件格式模板和语气要求。
-
结果返回：主Agent将最终邮件呈现给用户。
如果你正在设计这样的系统，建议关注状态管理（Subagent的结果如何可靠地返回给主Agent）和容错机制（并发任务中某个失败时，整体任务如何恢复）这两个难点，它们通常是理论框架落地到生产环境时最耗精力的部分。
