Day01 | 什么是Agent？

宋串串
1 阅读5分钟

一、 核心定义与四大组件

1. Agent 的本质公式
Agent 是一个能够自主完成任务的系统，其核心逻辑可以归纳为：
Agent = 大模型 (大脑) + 工具 (双手) + 执行循环 (思考-行动-观察-再思考)

2. 四大核心组件（缺一不可）
Agent 的运作依赖于以下四个组件的紧密协作：

组件角色核心功能与细节
大模型 (LLM)大脑推理中心：负责理解用户意图、分析当前状态、决定下一步动作。所有的“思考”（如判断该查什么、如何解读结果）都在这里发生。
工具 (Tools)双手执行接口：提供与外部世界交互的能力。如搜索、数据库读写、API 调用等。大模型不直接操作，而是通过生成指令调用工具，工具结果返回给大模型。
记忆 (Memory)记事本上下文管理：• 短期记忆：存储当前会话的对话历史和工具调用结果（Context Window），确保多步骤任务的连贯性。• 长期记忆：通过外部数据库存储跨会话信息，需要时检索注入。
执行循环 (Loop)节拍器驱动引擎：不断重复“思考→行动→观察→再思考”的过程。这是 Agent 与普通大模型一次性问答（One-shot）最根本的区别。

二、 Agent 的两种主流工作范式

ReAct 与 Plan and Execute。

1. ReAct 模式（边想边做）
这是目前最主流的范式，全称 Reasoning + Acting。

  • 工作流：

    1. Think（思考） ：基于当前上下文，决定下一步动作。
    2. Act（行动） ：调用工具。
    3. Observe（观察） ：获取结果。
    4. Loop：将结果纳入上下文，回到思考阶段。

  • 关键机制：

    • 结果回流：每一步的结果都追加到 Context Window，让大模型“记得”历史。
    • 动态决策：路径不固定。例如：发现是慢查询就查日志，发现是网络问题就查网络工具。

  • 适用场景：步骤较少（3步以内）、目标模糊、需要随机应变的任务。

  • 局限性（长任务困境） ：

    • 迷路：步骤过多时，上下文过长，大模型容易忘记最终目标。
    • 绕路：缺乏全局规划，像走迷宫一样可能走回头路。
    • 成本高：每轮循环都携带全部历史，Token 消耗随步骤线性增长。

2. Plan and Execute 模式（先规划，后执行）
为了解决 ReAct 的长任务痛点而生。

  • 核心逻辑：

    1. 第一阶段：Planner（规划） 。大模型拿到任务，不调用工具，而是先生成一份完整的子任务清单。
    2. 第二阶段：Executor（执行） 。按清单一步步执行。每个步骤可以是简单调用，也可以是一个小的 ReAct 循环。
    3. 机制：Re-planning（重新规划） 。如果执行中遇到意外（如计划查慢查询，结果发现是锁等待），Executor 可反馈给 Planner 重新生成后续计划。

  • 类比：

    • ReAct = 边开车边看导航（走到路口才决定拐哪）。
    • Plan and Execute = 出发前规划好全程路线（哪里转弯、预计几点到都定好）。

  • 适用场景：步骤多（5步以上）、目标明确、需要全局把控的复杂任务。

3. 范式对比与选型决策表

维度ReActPlan and Execute
决策时机实时决策（走一步看一步）事前决策（全局规划）
全局视野弱（仅关注当前步）强（提前看到全貌）
灵活性高（随时调整路径）较低（依赖计划调整）
Token 消耗随步数增加，后期昂贵规划阶段集中消耗，执行阶段可控
最佳实践外层用 Plan and Execute 做框架，内层子任务用 ReAct 做执行。

三、 Agent vs. Workflow（工作流）

这是初学者最容易混淆的概念，核心区别在于控制权。

  • Workflow（工作流） ：

    • 控制者：开发者（代码） 。
    • 逻辑：硬编码。先做 A，再做 B，如果 B 结果是 X 走 C，否则走 D。
    • 特点：路径固定，可预测性强，成本低。
    • 适用：步骤明确、重复性高的标准化流程。

  • Agent（智能体） ：

    • 控制者：大模型（实时推理） 。
    • 逻辑：动态生成。给目标，模型自己决定怎么走。
    • 特点：路径动态，每次运行可能不同。
    • 适用：开放域任务、情况多变、需要自主判断的场景。

架构建议：两者不是互斥关系。最稳健的生产架构通常是 “Workflow 做骨架，Agent 做血肉” 。即用 Workflow 控制主流程，只在需要复杂决策的环节插入 Agent。

四、 Agent 开发的四大挑战与应对

  1. 幻觉传导

    • 问题：第一步推理出现幻觉（错误判断），后续所有步骤都基于这个错误假设，导致结论完全跑偏。
    • 应对：对工具返回结果进行验证；对高风险操作（如删除数据、发通知）增加人工确认环节。

  2. 工具调用失败

    • 问题：网络超时、权限不足、返回格式异常等，可能导致 Agent 卡死。
    • 应对：工具需定义明确的错误返回格式；在 System Prompt 中预设“如果工具报错，应该如何处理”的逻辑。

  3. 成本与速度

    • 问题：每一轮循环都是一次 LLM 调用，Token 消耗和延迟随步骤叠加。
    • 应对：严格设置最大循环轮数；能用 Workflow 解决的绝不强行用 Agent。

  4. 循环风险

    • 问题：陷入死循环（例如：查 A 需要查 B，查完 B 又觉得需要查 A）。
    • 应对：强制结束机制；让模型在每一步推理时自我审视：“当前信息是否已足够得出结论？还有没有必要继续？”

五、 Agent 的极简代码逻辑（伪代码）

Agent 的核心骨架其实非常简单，本质上就是一个 While True 循环：

def run_agent(user_input):
    # 1. 初始化消息列表（包含System Prompt和用户输入）
    messages = [system_prompt, user_input]
    
    while True:
        # 2. 调用大模型，让它思考下一步
        response = llm.chat(messages)
        
        # 3. 判断是否为最终答案
        if response.is_final_answer:
            return response.content  # 任务完成，退出循环
            
        # 4. 执行工具
        tool_result = execute_tool(response.tool_name, response.arguments)
        
        # 5. 将工具结果追加到消息列表（实现记忆/结果回流）
        messages.append({"role": "tool", "content": tool_result})
        
        # 6. 继续循环，让模型基于新结果再思考

总结：Agent 的核心在于利用大模型的推理能力，在“思考”与“行动”之间形成闭环，从而将 AI 从“聊天机器人”升级为“能够自主完成复杂任务的数字员工”。

avatar
文章
阅读
粉丝