一篇文章搞懂如何理解 AI Agent？
一、先给 Agent 下一个定义
Agent = LLM（大语言模型）+ 工具（Tools）+ 记忆（Memory）+ 规划（Planning）
简单说，Agent 就是一个能自主感知环境、做出决策、执行行动的智能体。传统 LLM 只能"回答问题"，而 Agent 能"完成任务"。
两者的核心区别：
| 传统 LLM | Agent | |
|---|---|---|
| 输入 | 单次 prompt | 目标 + 环境反馈 |
| 输出 | 一段文本 | 一系列行动 + 最终结果 |
| 能力边界 | 模型知识截止日期 | 可调用工具获取实时信息 |
| 交互方式 | 一问一答 | 多轮自主循环 |
二、Agent 的核心架构
2.1 四大组件
┌─────────────────────────────────────┐ │ Agent │ │ ┌──────┐ ┌──────┐ ┌───────────┐ │ │ │ 记忆 │ │ 规划 │ │ 工具调用 │ │ │ │Memory │ │Plan │ │ Tool Use │ │ │ └──┬───┘ └──┬───┘ └─────┬─────┘ │ │ │ │ │ │ │ └─────────┼─────────────┘ │ │ ▼ │ │ ┌─────────┐ │ │ │ LLM │ │ │ └─────────┘ │ └─────────────────────────────────────┘
（1）LLM —— 大脑
负责理解任务、分解目标、推理决策。Agent 的智能上限取决于底层模型的能力。
（2）Tools —— 手脚
让 Agent 能执行 LLM 本身做不了的事：
-
搜索工具（Google Search、Wikipedia）—— 获取实时信息
-
代码执行器（Python Interpreter）—— 计算、数据分析
-
API 调用（数据库查询、发送邮件、操作文件）
-
多模态工具（图片生成、语音合成）
（3）Memory —— 记忆
| 类型 | 说明 | 举例 |
|---|---|---|
| 短期记忆 | 当前对话上下文 | 用户刚才说了什么 |
| 长期记忆 | 持久化存储的信息 | 用户偏好、历史任务 |
| 工作记忆 | 当前任务中间结果 | 上一步工具调用的返回值 |
（4）Planning —— 规划
让 Agent 不仅"反应"，还能"谋划"：
-
任务分解：把复杂目标拆成可执行的子任务
-
反思与修正：根据中间结果调整后续计划
-
多路径探索：生成多个方案并行评估
三、Agent 的工作流模式
这是面试高频考点，务必掌握。
3.1 ReAct（Reasoning + Acting）
最经典的 Agent 模式，交替进行思考（Thought）→ 行动（Action）→ 观察（Observation）：
用户: 帮我查一下今天北京的天气，然后决定穿什么
Thought: 我需要先获取北京今天的天气
Action: search_weather("北京", "2026-06-15")
Observation: 北京今天晴，15°C ~ 28°C
Thought: 晴天气温适中，建议穿薄外套或长袖T恤
Action: Finish[建议穿薄外套，早晚偏凉可带一件风衣]
核心思想：让 LLM 在每一步都输出思考过程，显式推理下一步该做什么。
3.2 Plan-and-Execute
先做全局规划，再逐步执行：
用户: 帮我做一个竞品分析报告 Plan: 1. 搜索竞品列表 2. 逐一收集竞品信息 3. 对比分析各维度 4. 生成 PDF 报告 Execute: Step 1 → Step 2 → Step 3 → Step 4 每步执行后可调整后续计划。
3.3 Multi-Agent（多智能体协作）
多个 Agent 各自扮演不同角色，协作完成复杂任务：
Manager Agent: "写一份新产品发布方案" ├── Research Agent: 搜索市场数据 ├── Writer Agent: 撰写文案 └── Reviewer Agent: 审核修改
3.4 Function Calling vs Agent 的关系
很多面试官会问：Function Calling 是不是就是 Agent？
不是。 Function Calling 是 Agent 的工具调用机制，是 Agent 的"手"。真正的 Agent 还需要记忆管理和自主规划能力。可以说 FC 是实现 Agent 的关键技术，但不是 Agent 的全部。
四、动手实现一个简易 Agent（Python）
理论讲完，上代码。以下是一个基于 ReAct 模式的极简 Agent 实现：
import json
import re
class SimpleAgent:
def __init__(self, llm, tools):
self.llm = llm # 大模型接口
self.tools = tools # 工具字典 {name: func}
self.memory = [] # 对话记忆
def run(self, task):
"""执行任务的主循环"""
prompt = self._build_prompt(task)
for _ in range(10): # 防止无限循环，最多10轮
response = self.llm(prompt)
# 解析 LLM 输出，提取 Action
action, action_input = self._parse_action(response)
if action == "Finish":
return action_input
# 执行工具调用
tool = self.tools.get(action)
if tool:
observation = tool(action_input)
prompt += f"\nObservation: {observation}\n"
self.memory.append((action, action_input, observation))
else:
prompt += f"\n错误: 工具 '{action}' 不存在\n"
return "任务超出轮次限制"
def _build_prompt(self, task):
"""构造 ReAct 格式的 prompt"""
tools_desc = "\n".join(
f"- {name}: {func.__doc__}" for name, func in self.tools.items()
)
return f"""你是一个智能助手，可以使用工具完成任务。
可用工具:
{tools_desc}
请按以下格式响应:
Thought: 你的思考过程
Action: 工具名称
Action Input: 工具输入
...（可重复多轮）
Thought: 我现在知道最终答案了
Action: Finish
Action Input: 最终答案
任务: {task}
"""
def _parse_action(self, text):
"""从 LLM 输出中提取 Action 和 Action Input"""
action_match = re.search(r"Action:\s*(.+?)\n", text)
input_match = re.search(r"Action Input:\s*(.+)", text)
action = action_match.group(1).strip() if action_match else "Finish"
action_input = input_match.group(1).strip() if input_match else text
return action, action_input
# ========== 使用示例 ==========
def search_weather(city):
"""搜索指定城市的天气信息"""
return f"{city}今天晴，15°C ~ 28°C，微风"
def calculate(expression):
"""执行数学计算，参数为数学表达式"""
return str(eval(expression))
# 模拟 LLM（实际使用时应替换为真实 API 调用）
def mock_llm(prompt):
"""简易模拟 LLM —— 实际项目中替换为 API 调用"""
if "天气" in prompt and "Observation" not in prompt:
return """Thought: 我需要查询天气
Action: search_weather
Action Input: 北京
"""
elif "Observation" in prompt:
return """Thought: 查询到天气了，可以给出穿衣建议
Action: Finish
Action Input: 今天北京晴天，15~28°C，建议穿薄外套，早晚可加一件风衣。
"""
return "Thought: 我理解了\nAction: Finish\nAction Input: 任务完成"
agent = SimpleAgent(
llm=mock_llm,
tools={
"search_weather": search_weather,
"calculate": calculate,
}
)
result = agent.run("查一下北京的天气，告诉我穿什么")
print(result)
实际项目中，把 mock_llm 替换为 openai.ChatCompletion.create() 或其他 LLM API 即可。
五、主流 Agent 框架对比
| 框架 | 特点 | 适用场景 |
|---|---|---|
| LangChain | 生态最丰富，组件化设计 | 快速原型、复杂链路 |
| LangGraph | 有状态图编排，支持循环/分支 | 复杂多步 Agent 流程 |
| AutoGen (微软) | 多 Agent 对话，角色分工明确 | 协作型任务 |
| CrewAI | 角色驱动的多 Agent 协作 | 团队模拟 |
| OpenAI Agents SDK | 原生支持，简洁 API | 基于 OpenAI 的 Agent |
| Anthropic Claude API | Tool Use 原生支持，简洁 | 单 Agent 任务 |
选型建议：简单任务直接用 LLM 原生 Function Calling；复杂工作流用 LangGraph；多角色协作考虑 AutoGen 或 CrewAI。
六、Agent 当前面临的挑战
面试中如果被问到"Agent 有什么局限性"，可以从以下几个角度回答：
6.1 可靠性问题
-
幻觉：LLM 可能生成错误的工具调用或结论
-
循环死锁：Agent 可能陷入无限思考-行动的循环
-
上下文窗口：长任务会导致上下文溢出
6.2 工程化挑战
-
评估困难：Agent 的输出是非确定性的，难以用传统指标衡量
-
成本控制：多步推理意味着多次 LLM 调用，Token 消耗大
-
延迟问题：多轮交互导致响应变慢
6.3 安全与对齐
-
权限管控：Agent 拥有工具执行权，需要沙箱和权限控制
-
对抗攻击：Prompt Injection 可能让 Agent 执行恶意指令
七、总结
理解 Agent，抓住一条主线：
LLM 提供智能，Tools 提供能力，Memory 提供连贯性，Planning 提供策略。
本文写于 2026 年 6 月，技术迭代快，建议结合最新的框架文档和论文持续学习。
推荐阅读：
更多推荐
16
0- 0
已为社区贡献3条内容
所有评论(0)