Agent 核心概念

前置阅读：核心概念卡、Prompt-RAG-上下文与 MCP。 预期收获：读完你能画出 Agent 的认知循环，并设计一个最小 Agent 的边界（输入、工具、停止条件、人工确认点）。

定义

AI Agent 是一种能够理解目标、规划步骤、调用工具、观察结果、更新状态，并在任务完成或触发停止条件前持续推进的软件系统。

它不是一个提示词，也不是一次 LLM 调用，而是一个闭环系统。

核心组成

认知循环

Agent 的认知循环可以概括为：

感知 -> 推理 -> 行动 -> 观察 -> 反思 -> 更新记忆 -> 继续或结束

工程实现常见流程：

用户目标
  -> 解析意图
  -> 收集上下文
  -> 生成计划
  -> 调用工具
  -> 检查结果
  -> 修正计划
  -> 调用下一个工具
  -> 返回答案或产物

Think-Act-Observe 模式

实用执行模式：

• Think：分析当前任务，决定下一步。
• Act：调用工具、API、模型、数据库、代码执行器或 UI 自动化。
• Observe：读取结果并更新状态。
• Finish：满足停止条件后返回答案或产物。

生产约束：不要把内部推理链直接暴露给用户。应暴露可审计摘要、工具轨迹、输入输出、验证结果和关键决策。

记忆系统

记忆通常分为：

• 短期记忆：当前会话、当前任务状态、最近工具输出。
• 长期记忆：用户偏好、历史决策、可复用流程、文档向量库。
• 情景记忆：过往任务轨迹和结果。
• 语义记忆：稳定知识和事实。
• 工作流记忆：成功计划、工具序列和可复用解决路径。

常见失败模式：

• 记忆过期。
• 隐私泄漏。
• 记忆之间互相矛盾。
• 检索漂移。
• 过度依赖旧用户行为。

最低设计要求：

• 每条长期记忆都要有来源、时间、作用域、保留规则和删除路径。

工具系统

工具让模型从文本生成器变成行动系统。

工具设计要求：

• 名称清晰。
• 语义描述明确。
• 输入结构严格。
• 输出结构稳定。
• 权限和限流明确。
• 高风险动作支持预览或 dry-run。
• 错误类型可区分。
• 有审计轨迹。
• 高风险写操作需要人工确认。

常见工具类型：

• 搜索和检索。
• 数据库查询。
• 代码执行。
• 浏览器或 UI 自动化。
• 文件读写。
• 日历、邮件、聊天、工单、CRM、ERP。
• Figma 等设计工具。
• LLM 评估器。

多 Agent 协作

子 Agent 适合把复杂任务拆成职责清晰的角色：

• 规划者。
• 研究者。
• 实现者。
• 审阅者。
• 测试执行者。
• 安全审查者。
• 数据分析者。
• 原型设计者。
• 记忆管理者。

适合使用子 Agent 的情况：

• 任务可以拆成相对独立的工作流。
• 上下文隔离能提升质量。
• 不同子任务需要不同权限或工具。
• 专家角色可以产出边界明确的结果。

不适合使用子 Agent 的情况：

• 下一步依赖主线即时判断。
• 子任务与主任务高度耦合。
• 协调成本超过收益。

常见框架

构建检查清单

开始构建 Agent 前，先回答：

• 它服务哪个用户目标？
• 它能做哪些动作？
• 它能读取哪些数据？
• 它能写入哪些数据？
• 哪些动作必须人工确认？
• 保存哪些状态？
• 哪些过程可以回放？
• 成功指标是什么？
• 主要失败模式是什么？
• 如何发现幻觉？
• 工具错误如何恢复？
• 成本上限是多少？

最小 Agent 设计模板

Agent 名称：
主要用户：
业务目标：
允许输入：
允许工具：
禁止动作：
记忆范围：
执行循环：
停止条件：
人工确认点：
轨迹字段：
评测用例：
兜底策略：

完整版见 Agent 设计模板。

读完自测

• [ ] 用一句话回答："Agent 和一次 LLM 调用 + 工具" 的本质差异是什么？
• [ ] 画出 think-act-observe 循环，并说出每一步可能的失败模式。
• [ ] 给一个真实场景（如"用 Agent 处理客服工单"），你能列出至少 3 个必须人工确认的动作。
• [ ] 解释为什么"能用确定性代码写就别让模型决策"是工程红线。
• [ ] 你能说出 LangGraph、LlamaIndex、CrewAI、AutoGen 分别擅长什么场景。

下一站