普通大模型：用户问题↓LLM↓答案例如：用户：北京今天适合旅游吗？LLM：根据我的知识，北京春秋适合旅游。问题：不会主动查天气不会调用地图不会规划路线没有执行能力用户目标↓推理↓规划↓调用工具↓观察结果↓继续推理↓完成任务Agent 的核心就是：目前主要有下面几种：核心思想：让模型交替：思考↓行动↓观察↓继续思考实际代码逻辑：这就是 ReAct Loop。一个简单 Agent

*Multi-Agent（多智能体系统）**指的是：让多个具有独立能力的 Agent 协同完成一个复杂任务，而不是让一个 Agent 独自完成所有事情。简单理解：单 Agent：用户v一个Agent+-- 思考+-- 调工具+-- 输出结果用户v主Agent / Orchestrator规划Agent编码Agent数据Agentv汇总结果类似一个团队：项目经理负责拆任务程序员负责写代码测试工程师负

这是 Agent 工程里面一个很常见的架构选择问题。很多公司会问：为什么不用 LangChain、AutoGen、CrewAI 这些成熟框架，而要自己实现 Agent？答案不是“自己写一定更好”，而是。

Agent 的**长短期记忆系统（Memory System）**本质上是在解决一个问题：LLM 本身没有记忆能力，每次调用都是一次新的推理，所以 Agent 需要一个外部记忆层，把过去的信息保存下来，在需要的时候检索回来提供给模型。典型架构：用户输入v短期记忆长期记忆Context窗口Memory DatabasevLLM。

如果没有调度器，协程、线程、事件循环都只是一堆零件。也就是说，线程自己不主动让出 CPU，操作系统也可以强行把它切走。也就是说，协程如果不主动让出执行权，调度器通常不能强行切走它。这就是协作式调度的风险：某个协程如果写坏了，会饿死其他协程。这样虽然不会阻塞线程，但会不断被调度起来检查，浪费 CPU。或 C++ coroutine 调度器负责调度协程。这样当前协程会回到队列尾部，其他协程有机会运行。

模型通常不了解企业内部文档、产品手册、合同、医学资料等。RAG可以接入这些知识库，让模型回答特定领域的问题。当资料数量很大时，不适合把全部内容一次性输入模型。RAG只检索与问题最相关的片段，可以节省上下文和调用成本。如果检索结果不相关、文档本身错误，或者模型没有正确使用资料，回答仍可能出错。RAG可以先检索最新资料，再根据资料回答，不必频繁重新训练模型。大模型可能编造听起来合理但实际错误的内容。R

的技术。举个例子：你问 ChatGPT："我们公司机器人 SDK 的 TCP 通信协议是什么？

的技术。举个例子：你问 ChatGPT："我们公司机器人 SDK 的 TCP 通信协议是什么？

的技术。举个例子：你问 ChatGPT："我们公司机器人 SDK 的 TCP 通信协议是什么？

多 Agent 系统的核心问题不是“创建多个 LLM”，而是：可以把它理解成一个“AI团队”。例如一个机器人云平台：规划 Agent：负责任务拆解导航 Agent：负责路径规划视觉 Agent：负责识别控制 Agent：负责运动控制诊断 Agent：负责故障分析它们不是同时乱跑，而是需要一个协作机制。典型架构：用户任务|↓Coordinator Agent