📘 AI Agent 学习整理笔记

1. 基础概念

1.1 Agent 的定义

Agent = AI大模型（大脑） + 工具（手脚） + 自主行动（执行力）
它会思考、会自己用工具、会执行。

AI Agent 的核心循环：

1. 接收目标（任务目标）
2. 观察环境（感知当前状态）
3. 规划行动（决定下一步）
4. 执行行动（调用工具或API）
5. 观察结果（评估效果）
6. 调整策略（根据反馈优化）
   → 直到目标达成
   

1.2 LLM（Large Language Model，大模型）

• 负责思考、推理、决策
• 优势：通用性强，能调用工具，具备上下文理解
• 限制：知识局限性、幻觉问题、数据安全风险

---

2. Agent 的关键能力

2.1 根据经验调整行为

• 上下文学习（In-Context Learning）

• 记忆（Memory）

  • 短期记忆：当前任务（如正在订酒店）
  • 长期记忆：偏好存储（如喜欢五星酒店）

• 反思模块（Reflection）：总结、推理得到的经验

• 写入模块（Write）：保存关键经验，而非所有信息

记忆的原则：只记重要的，不记流水账。正面经验比负面经验更有效。

---

2.2 使用工具

• 工具 = Function，调用工具 = Function Call

• 常见工具：

  • 搜索引擎（获取实时信息）
  • Python/代码执行器（运行代码）
  • API调用（与其他系统交互）
  • 数据库查询（检索私域信息）

示例：


⚠️ 工具可能犯错（如搜索结果不准），Agent 需要具备一定判断力。

---

2.3 规划能力

• 任务分解：复杂目标 → 子任务
• 路径规划：最佳执行顺序
• 资源分配：合理使用工具
• 错误处理：应对异常情况

---

3. 提示工程（Prompting 技术）

3.1 零样本提示（Zero-Shot Prompting）

直接让模型执行任务，不提供示例。
适用场景：常见任务、格式明确。
示例：
将以下文本分类为“积极”、“消极”或“中性”。请用一个词给出分类结果。
文本：“这个新功能很棒，但文档可以做得更好。”

---

3.2 少样本提示（Few-Shot Prompting）

通过示例教学，确保输出格式一致。
适用场景：格式要求高、零样本效果差。
示例：
将以下日期转换为DD-MM-YYYY格式：
输入：2024年3月15日 → 输出：15-03-2024
输入：2023年12月1日 → 输出：01-12-2023

---

3.3 思维链提示（Chain-of-Thought Prompting）

要求模型逐步推理，像解数学题一样。
适用场景：复杂推理、准确性要求高。
示例：
商店120个苹果，周一卖30%，周二卖剩余的25%，还剩多少？
解法：120 - 36 - 21 = 63 个

---

3.4 思维树提示（Tree-of-Thought Prompting）

同时探索多条推理路径，评估、修剪保留最优路径。
适用场景：开放式问题、创意探索。

---

3.5 角色提示（Role Prompting）

让模型以特定身份或视角回答。
适用场景：需要专业知识、换角度思考。
示例：
扮演资深工程师，检查以下代码漏洞：

def process_user_input(input_string):
    query = "SELECT * FROM users WHERE id = " + input_string 
    execute_query(query)

→ 会识别 SQL 注入风险，建议参数化查询。

---

4. 关键技术与协议

4.1 RAG（Retrieval Augmented Generation，检索增强生成）

= 检索技术 + LLM 提示

• 优势：减少幻觉、支持实时与私域知识

• 工作流程：

  1. 用户提问
  2. RAG 检索相关信息
  3. 把检索结果和问题注入提示
  4. LLM 生成答案

示例：
问题：“请分析上季度销售数据，找出表现最好的产品线。”
→ Agent 自动：连接数据库 → 清洗数据 → 分析 → 生成可视化报告

代理RAG通过在每个阶段引入代理来解决这些问题：
步骤1-2: 代理重写查询（修正拼写错误等）
步骤3-8: 代理判断是否需要更多上下文
.
若无需更多上下文，重写后的查询直接发送至大语言模型（LLM）
若需更多上下文，代理寻找最佳外部来源获取上下文，并传递至大语言模型

步骤9: 获得响应
步骤10-12: 代理检查响应是否相关
.
若相关，返回响应
若不相关，返回步骤1
.
这个过程会重复多次，直到系统获得一个满意的响应，或者系统承认无法回答该查询。

由于代理能确保每个单独的步骤都与最终目标保持一致，因此增强了代理RAG的稳健性。

• 传统 RAG 擅长的场景：
  1.简单查询任务: 适合处理基于现有文档库的直接查询，如 FAQ 回答或标准文档检索
  2.静态知识应用: 适用于信息变化不大的领域，例如法律条款、历史数据或静态教程
  3.低复杂度需求: 在需要单一检索和生成响应的场景中表现良好，如基础客户支持或简单数据提取
• 代理 RAG 擅长的场景：
  1.复杂查询任务: 适合需要多轮推理或动态信息补充的场景，如研究分析或多步骤问题解决
  2.动态信息需求: 适用于需要实时更新或从外部来源获取数据的领域，如新闻总结或市场趋势分析
  3.自适应策略: 在需要根据问题调整检索和生成策略的场景中表现优异，例如个性化教育或高级技术支持
  4.迭代优化: 适合需要多次验证和改进响应的应用，如法律咨询或深度技术问题解决

---

4.2 MCP（Model Context Protocol，模型上下文协议）

• 标准化协议，用于 AI模型与应用程序交换上下文信息
• 目标：简化 AI 应用开发和集成，提升通用性
  
  

---

5. 企业应用场景

• 智能客服：解答问题、处理订单、查询物流
• 数据分析：收集、清洗、分析、生成报告
• 流程自动化：处理重复性任务
• 决策支持：提供数据驱动建议

示例：
企业目标 → “分析上季度销售数据”
Agent → 自动查询数据库、生成报告、可视化结果