子玥酱 （掘金 / 知乎 / CSDN / 简书 同名）

大家好，我是 子玥酱，一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂，目前在某国企负责前端软件研发相关工作，主要聚焦于业务型系统的工程化建设与长期维护。

我持续输出和沉淀前端领域的实战经验，日常关注并分享的技术方向包括 前端工程化、小程序、React / RN、Flutter、跨端方案，
在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。

技术方向：前端 / 跨端 / 小程序 / 移动端工程化
内容平台：掘金、知乎、CSDN、简书
创作特点：实战导向、源码拆解、少空谈多落地
文章状态：长期稳定更新，大量原创输出

我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在“API 怎么用”，而是更关注为什么这么设计、在什么场景下容易踩坑、真实项目中如何取舍，希望能帮你在实际工作中少走弯路。

子玥酱 · 前端成长记录官 ✨
👋 如果你正在做前端，或准备长期走前端这条路
📚 关注我，第一时间获取前端行业趋势与实践总结
🎁 可领取 11 类前端进阶学习资源（工程化 / 框架 / 跨端 / 面试 / 架构）
💡 一起把技术学“明白”，也用“到位”

持续写作，持续进阶。
愿我们都能在代码和生活里，走得更稳一点 🌱

引言

过去两年里，AI 圈最火的词之一，毫无疑问是：

AI Agent

几乎所有大模型公司都在讲 Agent：

OpenAI 在讲 Agent
Google 在讲 Agent
Anthropic 在讲 Agent
微软在讲 Agent

甚至很多创业公司也开始宣传：

Agent 平台
Agent 工作流
Agent 操作系统
Agent 员工

于是很多人开始产生一种错觉：

Agent 是一种全新的模型。

实际上并不是Agent 不是模型、Agent 也不是 Prompt、Agent 更不是简单的工作流。

从技术角度来看：

Agent 本质上是一套“让大模型能够持续完成任务”的系统架构。

换句话说：

LLM = 大脑

Agent = 大脑 + 记忆 + 工具 + 行动能力

而真正理解 Agent，需要先回答一个问题：

为什么 LLM 不够？

一、为什么需要 Agent

假设你直接使用大模型。用户输入：

帮我订一张明天去上海的机票

模型会返回：

好的，我建议选择上午航班……

看起来没问题，但实际上：

模型不会真的买票
模型不会登录网站
模型不会支付
模型不会查询实时价格

因为模型本质上只是：

Text In
↓
Text Out

它能生成答案，但不能执行任务。

一、 LLM 的天然缺陷

1、无法访问外部世界

模型只能依赖训练数据：

知识截止
无法实时更新
无法访问业务系统

例如：

今天股票价格是多少？

模型不知道。

2、没有长期记忆

每次对话都是新的开始：

Session A
Session B
Session C

彼此独立。

3、不会真正行动

模型只能说：

我建议这样做

却不能：

调用API
操作浏览器
执行代码
发送邮件

核心问题

所以：

LLM 能思考

但不能做事

于是 Agent 出现了。

二、Agent 到底是什么

最简单的定义：

Agent = LLM + Planning + Memory + Tools + Action

可以写成：

Agent
=
Brain
+
Memory
+
Tool Use
+
Decision
+
Execution

相比传统聊天机器人：

ChatBot
=
Input → Output

Agent 变成：

Input
↓
理解任务
↓
制定计划
↓
调用工具
↓
执行动作
↓
获得反馈
↓
继续执行

这是质的变化。

三、Agent 的核心架构

一个完整 Agent 通常包含五层。

┌────────────────┐
│      User      │
└───────┬────────┘
        ↓
┌────────────────┐
│      LLM       │
└───────┬────────┘
        ↓
┌────────────────┐
│    Planner     │
└───────┬────────┘
        ↓
┌────────────────┐
│     Tools      │
└───────┬────────┘
        ↓
┌────────────────┐
│    Memory      │
└────────────────┘

每一层负责不同能力。

四、第一层：LLM

Agent 的核心仍然是大模型。负责：

理解用户意图
推理
规划
决策
生成结果

例如，用户输入：

帮我分析最近一个月的销售数据

模型首先要完成：

Intent Understanding

即：

用户想做数据分析

而不是：

简单聊天

Agent 的思考过程

典型 Prompt：

Question:
分析销售数据

Thought:
我需要先获取数据

Action:
query_database()

Observation:
获取成功

Thought:
开始分析

Action:
generate_report()

Final Answer:
...

这就是经典的：

Reasoning Loop

五、第二层：Planning

Agent 最大特点之一：

不是直接回答，而是先规划。

例如：

帮我做一次日本旅游攻略

Agent 不会直接输出，而是拆分任务：

Step1 查询天气
Step2 查询酒店
Step3 查询交通
Step4 生成行程

形成：

Task Decomposition

任务拆解。

Planner 示例

const plan = [
  "search_weather",
  "search_hotel",
  "search_transport",
  "build_schedule"
];

执行顺序：

Plan
↓
Execute
↓
Feedback

六、第三层：Memory

Agent 与普通 ChatBot 最大区别之一：

它拥有记忆。

短期记忆

保存当前上下文。

最近几轮对话

例如：

用户：
我喜欢特斯拉

用户：
推荐一辆车

Agent 能理解：

推荐 Tesla

长期记忆

保存用户画像。

{
  "user": "Tom",
  "favorite_brand": "Tesla",
  "budget": 300000
}

下一次启动：

依然知道用户偏好

向量记忆

目前最常见方案：

Embedding
+
Vector Database

例如：

Milvus
Weaviate
Chroma
FAISS

通过语义检索：

Recall Memory

实现长期记忆。

七、第四层：Tools

这是 Agent 最重要的一层，因为：

工具让 AI 真正接触现实世界。

Tool Calling 原理

假设存在一个工具：

{
  "name":"search_flight",
  "description":"查询机票"
}

模型输出：

{
  "tool":"search_flight",
  "args":{
    "from":"北京",
    "to":"上海"
  }
}

系统接收到后：

执行 API
返回结果

再交给模型。

常见工具

Web Search
Browser
Database
Email
Calendar
Code Executor
File System

这也是 Agent 能完成复杂任务的原因。

八、第五层：Action

Tool 不等于 Action、Tool 是能力、Action 是执行。

例如：

查询机票

属于 Tool。而：

真正购买机票

属于 Action。

典型执行器：

Browser Agent
Computer Use Agent
Workflow Engine

例如：

打开网页
填写表单
点击按钮
提交订单

这才是真正意义上的：

Agent Action

九、Agent 为什么会“自主思考”

很多人以为 Agent 会思考，实际上：

Agent 并不会真正思考。

它只是不断执行一个循环。

Observe
↓
Think
↓
Act
↓
Observe
↓
Think
↓
Act

这就是著名的：

OODA Loop

即：

Observe
Orient
Decide
Act

十、Agent 的经典实现：ReAct

目前几乎所有 Agent 框架都在使用：

ReAct

Reason + Act。流程如下：

Question
↓
Thought
↓
Action
↓
Observation
↓
Thought
↓
Action
↓
Final Answer

例如：

Thought:
需要查天气

Action:
weather_api()

Observation:
下雨

Thought:
建议带伞

Final Answer:
...

十一、多 Agent 为什么出现

单个 Agent 很快会遇到瓶颈：

上下文过长
决策复杂
任务过大

于是出现：

Multi-Agent

典型结构：

Planner Agent
↓
Research Agent
↓
Coding Agent
↓
Review Agent

例如开发一个 App：

产品经理 Agent
↓
开发 Agent
↓
测试 Agent
↓
运维 Agent

形成：

Agent Team

十二、真正的难点：Agent 不是模型问题

很多人以为：

模型越强
Agent 越强

事实上并不完全正确，Agent 的难点往往来自：

记忆设计
工具设计
状态管理
权限控制
任务调度
失败恢复

甚至很多情况下：

系统工程
＞
模型能力

这也是为什么越来越多团队开始关注：

Agent Runtime
Agent OS
Agent Infrastructure

而不是单纯升级模型。

十三、Agent 的未来形态

今天的大多数 Agent：

用户触发
↓
执行任务
↓
结束

未来会逐渐演化成：

持续运行
长期记忆
主动观察
自动决策
自我优化

也就是我们上一篇文章提到的：

Autonomous System

演进路径大致是：

ChatBot
↓
Copilot
↓
Agent
↓
Multi-Agent
↓
Autonomous System

总结

如果用一句话解释 Agent：

Agent 不是一个模型，而是一套让大模型具备“感知、规划、记忆、执行”能力的系统架构。

它的核心组成可以概括为：

LLM（思考）
+
Planning（规划）
+
Memory（记忆）
+
Tools（工具）
+
Action（执行）

过去的大模型更像是：

会回答问题的人

而 Agent 正在把它变成：

能够完成任务的人

这也是为什么越来越多人认为：

大模型解决的是“智能”问题，而 Agent 解决的才是“生产力”问题。