Agent是怎么工作的：感知→规划→行动→记忆
本文首发于同名公众号，如果觉得有用，欢迎点赞收藏。
上一篇文章我们聊了什么是Agent。
很多读者反馈说：概念懂了，但还是很抽象。"规划"、"感知"、"记忆"……这些词听起来像教科书，到底是怎么回事？
这篇文章，我用具体的例子，把Agent的工作过程掰开了讲。
先看一个完整的任务
场景： 你让Agent帮你准备一场产品发布会。
完整对话可能是这样的：
你："帮我准备下周的产品发布会，需要确定场地、嘉宾、议程，最后发一份完整方案到我的邮箱。"
Agent是怎么完成的？它内部经历了四个环节。
感知： 理解你的需求。它拆解出"发布会方案、场地、嘉宾、议程、发邮件"这些子任务。
规划： 制定执行步骤。先确认基本信息，再搜索候选场地，接着联系嘉宾，然后制定议程，最后整合方案发邮件。
行动： 调用各种工具执行。搜索场地、发送邀请邮件、生成文档、发送邮件。
记忆： 记录任务进度和结果。下次遇到类似任务，它会更快。
整个过程，你只说了一句话。
第一层：感知——Agent"看到"了什么
Agent工作的第一步，是"感知"输入。
这里说的"感知"，不只是理解文字。
理解用户的真实意图。
用户说"帮我准备发布会"，Agent需要拆解出：是哪类产品发布会？规模多大？有什么特殊要求？预算多少？这些信息不全的话，它会主动问你。
感知上下文状态。
除了用户说的，Agent还需要"看到"当前项目做到哪一步了，之前成功获取了哪些信息，还有哪些步骤没完成。这就是Agent的"工作状态"。
感知工具返回。
Agent调用工具后，返回的结果是新的"感知"。比如搜索场地返回了10个选项和价格，发送邀请返回了成功或失败的状态。Agent需要理解这些返回，决定下一步怎么做。
第二层：规划——Agent怎么想
这是Agent最核心的能力。
很多人觉得AI就是"输入→输出"，很简单。但真正能成事的Agent，一定有强大的规划能力。
为什么规划重要？
没规划的Agent处理"准备发布会"，可能直接开始搜索场地，找到一个就定了，然后开始定嘉宾，嘉宾还没确认，又回头改场地。一团乱，时间冲突，方案不可行。
有规划的Agent处理同样的任务，先列计划：第一步确认基本信息，第二步场地调研，第三步嘉宾确认，第四步制定议程，第五步整合方案。每一步都清晰，每一步都有检查点。
不会规划的系统，永远只能做简单的问答。会规划的系统，才能handle复杂的任务。
方法一：CoT（思维链）
核心思想是：让Agent把思考过程说出来。
没有CoT的时候，你问"2x+5=15，求x"，Agent直接说"x=5"。
有CoT的时候，Agent会说：第一步，把常数移到等式另一边：2x=15-5=10。第二步，两边同时除以2：x=10÷2=5。答案：x=5。
CoT让推理过程透明化。Agent需要"说清楚为什么"，就会减少瞎猜。
方法二：ReAct（推理+行动）
CoT是"想清楚再说"，ReAct更进一步：边想边做，边做边想。
核心是一个循环：思考→行动→观察→再思考→再行动→再观察，直到任务完成。
任务： 帮用户查特斯拉最新新闻，写一份简报。
第一轮： 思考——用户需要特斯拉简报，我需要先确定查哪些信息。行动——调用搜索工具，关键词"特斯拉最新"。观察——返回10条新闻，涵盖财报、新车型、人事变动。
第二轮： 思考——财报信息最重要，我要深入了解。行动——调用搜索工具，关键词"特斯拉2026财报"。观察——获取到财报数据：营收增长20%，净利润超预期。
第三轮： 思考——光有财报不够，还需要市场反应和分析师观点。行动——调用搜索工具，关键词"特斯拉股价分析师"。观察——获取到市场分析和评级。
第四轮： 思考——信息收集差不多了，可以写报告了。行动——调用文档生成工具，生成完整报告。观察——报告生成成功。
这就是ReAct的核心：每一步都不是凭空决定，而是基于上一步的观察结果来决定下一步行动。
第三层：行动——Agent怎么做
规划好了，该执行了。
Agent的行动，主要靠调用工具。常见的工具类型包括：搜索工具接入搜索引擎获取实时信息，知识库查询接入企业RAG系统查内部文档，代码执行工具进行计算和生成图表，文件操作工具读写文档和生成报告，通信工具发邮件发消息。
关键区别：大模型的知识是"训练时"的，Agent获取的信息是"实时的"。
大模型告诉你"特斯拉股价过去一年涨了50%"，数据可能已经过时了。Agent自己去查最新特斯拉股价，查完生成报告发到你邮箱，数据是实时的。
第四层：记忆——Agent记住什么
这是Agent区别于普通聊天机器人的关键。
第一种：感官记忆。 当前这一轮对话的原始输入，就像人的"瞬间记忆"，只保留几秒钟。用户发了图片，Agent会"看到"。用户上传了文件，Agent会"读取"。这些信息处理完就释放，不持久。
第二种：工作记忆。 Agent正在处理的信息，也就是"当前任务区"。工作记忆里有什么：当前任务的目标，已完成的任务步骤，下一步要做什么，最近几次工具调用的结果。工作记忆容量有限，信息多了会遗漏。
第三种：长期记忆。 跨会话积累的知识和偏好。存什么：用户的姓名、职业、偏好，项目的背景、进度，用过的好用工具，踩过的坑。有了长期记忆，Agent才能真正"懂你"。你不用每次都重新解释背景，它会记得。
Agent为什么会"出错"
有时候Agent的行动不如预期，常见原因有几个。
规划错了： 目标拆解不合理，或者优先级判断失误，导致执行路径从一开始就偏了。
工具调用失败： API超时、权限不足、网络问题，导致工具返回错误或空结果。
观察不准确： 工具返回的信息太多或太少，Agent误解了结果，走错了方向。
记忆混乱： 工作记忆容量有限，信息多了会遗漏，导致Agent忘记之前的步骤或目标。
我的观点
Agent的工作方式，其实是在模仿人的思维模式。
人面对复杂任务，也是这样：理解任务→拆解目标→逐个执行→检查结果→调整策略。Agent把这个过程自动化了。
但有一点要注意：Agent的"智能"取决于它的规划能力和工具生态。规划能力弱，Agent就会"瞎忙"。工具不够，Agent就会"巧妇难为无米之炊"。
所以做Agent产品，光有大模型不够。工具链+规划算法+记忆系统，三者缺一不可。
下期预告
这篇文章讲完了Agent的工作过程。
下一期，我们来详解Agent是怎么"召唤"各种工具的——Function Calling的原理。
它是怎么让大模型从"能说"变成"能做"的？
下期见。
完整版合集、面试题库、项目实战，全网同名【图解 AI 系列】
