Ai Agent 流程
1.AI Agent到底是什么
AI Agent(Artificial Intelligence Agent 智能体代理) 到底是什么？
不是模型不是模型不是模型
个人理解:
AI Agent 是一种能力 一个能自主理解,规划,执行并完成任务的智能代理
AI 编程 Agent（最成熟）
| 产品 | 公司 | 类型 |
|---|---|---|
| Codex | OpenAI | AI Coding Agent |
| Claude Code | Anthropic | AI Coding Agent |
| Cursor Agent | Cursor | AI Coding Agent |
| GitHub Copilot Agent | GitHub / Microsoft | AI Coding Agent |
| Gemini CLI | AI Coding Agent | |
| Amazon Q Developer | AWS | AI Coding Agent |
2. 智能体组成说明
一个完整的 AI Agent 并不是只有一个 LLM，而是由多个模块协同工作完成任务。
整体组成如下：
- LLM（Large Language Model，大语言模型）
- Prompt（提示词）
- Memory（记忆）
- Context（上下文）
- Skill（技能）
- Tool（工具）
- MCP（Model Context Protocol）
- Workflow（工作流）
- Feedback（反馈）
整体关系如下：
User
│
▼
Prompt（目标）
│
▼
AI Agent
│
┌─────────────┼─────────────┐
│ │ │
▼ ▼ ▼
Workflow Memory Tools / MCP
（流程） （记忆） （执行能力）
│ │ │
└─────────────┼─────────────┘
▼
Context（工作上下文）
│
▼
LLM（模型推理）
│
▼
Result
│
▼
Feedback
│
▼
更新 Memory（可选）
2.1 LLM（Large Language Model）
LLM（Large Language Model）即大语言模型，可以理解为 Agent 的大脑。
它负责：
- 理解自然语言
- 推理分析
- 代码生成
- 内容生成
- 决策
常见模型：
- GPT-5.5
- Claude Opus / Sonnet
- Gemini 2.5 Pro
- Qwen3
- DeepSeek
LLM 负责思考，但不会真正执行任务。
2.2 Prompt（提示词）
Prompt 可以理解为：
告诉 Agent 本次需要完成什么任务。
例如：
修复 Android Crash
优化 SiteReport PDF
生成 Google Play 截图
Prompt 是整个任务的入口。
2.3 Memory（记忆）
Memory 是 Agent 的长期记忆。
负责保存：
- 用户偏好
- 项目知识
- 历史任务
- 编码规范
- 企业知识
- 历史聊天
例如：
用户主要开发 Android
项目采用 MVVM
使用 Material3
这些内容都会长期保存，在后续任务中再次利用。
2.4 Context（上下文）
Context 并不是 Memory。
它表示：
LLM 当前一次推理能够看到的全部信息。
通常由下面几部分组成：
Prompt
+
Memory 检索结果
+
当前聊天
+
项目代码
+
Tool 输出
+
MCP 返回的数据
最终组成：
Context
LLM 真正工作的对象就是 Context。
可以理解为：
Context = LLM 当前的工作区。
2.5 Skill（技能）
Skill 可以理解为：
完成某一类任务的方法、经验和最佳实践。
例如：
Android Skill：
- MVVM
- Material3
- Repository
PDF Skill：
- HTML 模板
- 分页
- 图片布局
Google Play Skill：
- SEO
- 标题优化
- 截图规范
Skill 回答的是：
怎么做好。
2.6 Tool（工具）
Tool 是 Agent 真正能够调用的执行能力。
例如：
- Git
- Terminal
- Gradle
- Browser
- ADB
例如：
执行：
./gradlew assembleRelease
真正执行的是：
Terminal Tool
Tool 回答的是：
能够做什么。
2.7 MCP（Model Context Protocol）
MCP 全称：
Model Context Protocol
它并不是 Tool。
而是：
一种让 Agent 与外部工具进行通信的标准协议。
例如：
支持：
- Figma
- GitHub
- Firebase
- Notion
- Slack
通过 MCP：
Agent 才能够访问这些外部系统。
所以：
MCP 是协议，不是工具。
2.8 Workflow（工作流）
Workflow 可以理解为：
整个任务按照什么流程执行。
例如：
分析
↓
修改
↓
编译
↓
测试
↓
提交
Workflow 回答的是：
先做什么。
2.9 Feedback（反馈）
Feedback 用于：
根据执行结果继续调整任务。
例如：
编译失败
↓
继续修改
↓
再次编译
↓
直到成功
真正的 AI Agent 都会形成一个完整的反馈闭环。
3. AI Agent 使用流程
AI Agent 完成一次任务的大致流程如下：
用户(User)
│
▼
Prompt（提出任务）
│
▼
Agent（理解任务目标）
│
▼
Workflow（制定执行流程）
│
▼
检索 Memory + 调用 Tools / MCP
│
▼
构建 Context（工作上下文）
│
▼
LLM（推理、分析、决策）
│
▼
Tool（执行具体操作）
│
▼
Result（输出结果）
│
▼
Feedback（结果反馈优化）
│
▼
Memory（保存长期有价值的信息）
流程说明
| 流程 | 说明 |
|---|---|
| Prompt | 用户提出本次需要完成的任务。 |
| Agent | 理解用户需求，并组织整个执行过程。 |
| Workflow | 制定任务执行流程，决定先做什么、后做什么。 |
| Memory | 检索历史经验、项目知识、用户偏好等长期信息。 |
| Tools / MCP | 获取代码、日志、设计稿等资源，并执行具体操作。 |
| Context | 将 Prompt、Memory、代码、工具输出等信息整合成 LLM 当前工作的上下文。 |
| LLM | 根据 Context 进行推理、分析、生成解决方案。 |
| Tool | 根据 LLM 的决策执行实际操作，例如修改代码、编译、运行测试等。 |
| Feedback | 检查执行结果，失败则继续优化，成功则结束任务。 |
| Memory | 将有长期价值的信息保存下来，供后续任务复用。 |
一句话总结：
Prompt 提出目标 → Workflow 制定流程 → Memory 与 Tools 收集信息 → Context 提供给 LLM 推理 → Tool 执行 → Feedback 检查结果 → Memory 持续积累经验。
总结
| 名称 | 作用 | 可以理解成 |
|---|---|---|
| LLM | 思考、推理、决策 | 大脑 |
| Prompt | 用户提出的任务 | 目标 |
| Workflow | 制定执行步骤 | 路线图 |
| Memory | 保存长期知识 | 档案室 |
| Context | LLM 当前工作的全部信息 | 工作区 |
| Skill | 完成任务的方法和经验 | 最佳实践 |
| Tool | 真正执行任务 | 工具箱 |
| MCP | 连接外部工具和服务 | 标准协议 |
| Feedback | 根据结果持续优化 | 闭环反馈 |
一句话记住：
LLM 负责思考，Workflow 决定流程，Skill 提供经验，Tool 负责执行，Memory 保存知识，Context 组织信息，MCP 连接外部世界，Feedback 持续优化，而 Agent 则负责将这一切组织起来，最终完成用户的目标。
