Agent

Agent（智能体）是什么？

  agent智能体是根据自己感知环境、自己思考、自己行动来完成目标的“程序实体”。和传统程序不一样，它不是死记硬背固定程序，而是根据任务和环境反馈，动态决定下一步做什么。现在的Agent一般用大语言模型来当“大脑”作决策。

  一个完整的Agent系统由四个部分组成：控制中心：用大模型的推理能力，理解复杂指令；规划：把大任务拆分为一个个小步骤，还可以根据结果反思来调整策略；记忆：结合短期上下文（比如你刚刚的说话内容）和长期信息（存在向量数据库的历史记录），保持任务的连贯性；动作和工具调用：通过API接口和外部世界交互，可以实现修改代码、查资料等操作。

  Agent的运行逻辑：P-A-O循环。感知Perception:先看环境、理解目标；决策Action Selection:在内部规划，选合适的工具和步骤；执行和观察Observation:动手做，然后看结果怎么样；循环：如果没有完成目标，就再走一遍这个流程，直到任务结束。

Agent 是能自主感知、决策、执行任务的程序实体，以大模型为大脑，不靠固定流程，而是动态决策。完整系统包含控制中心、规划、记忆、工具调用四部分，按感知 — 决策 — 执行观察的 PAO 循环运行，直到完成目标。

Agent相关概念

Agent是什么

• LLM 语境下的定义：能自主完成理解需求、规划决策、执行复杂任务的 AI 智能体。
• 经典构成定义（OpenAI 翁丽莲）：由大语言模型（LLM）+ 记忆 + 任务规划能力 + 工具使用能力四部分组成的集合体。

Agent中要求LLM需要具备哪些能力

Function Call（工具调用）

• 核心操作：为 LLM 定义专属函数并传递给模型，由 LLM 自主判断是否调用、如何调用该函数。
• 函数定义要求：需明确制定函数名、函数用途描述、参数名、参数描述。
• 执行逻辑：LLM 根据用户问题，先判定工具调用必要性，若需调用则提取对应参数。
• 核心地位：是 Agent 实现工具调用功能的基础，为 Agent 执行复杂任务提供工具支撑。

Plan（规划）

• 核心能力：LLM 针对用户提出的复杂问题，进行任务拆解并规划出解决问题的具体步骤。
• 典型应用：langchain 中的 PlanAndExecute 是该能力的典型实现方式。
• 核心价值：将复杂任务拆解为可执行的步骤，为 Agent 有序完成复杂任务提供行动指引。

memory

• 分类：分为短期记忆和长期记忆两类，是 Agent 的核心组成能力之一。
• 短期记忆：包含工具返回值、已完成的推理路径；实现方式为将相关信息拼接至 prompt 中持续追加，传递给模型。
• 长期记忆：指可被访问的外部长期存储载体，典型示例为知识库。

推理（总结）能力

• 核心目标：为精准回复用户问题，由 Agent 中的 LLM 完成最终的答案推导。
• 核心操作：对工具调用后的结果进行总结梳理或逻辑推理分析。
• 能力价值：是 Agent 将工具调用的原始结果转化为用户可理解的最终答案的关键能力。

Agent的实现方式

• 核心分类：Agent 主流有PlanAndExecute和React两种实现方式。
• PlanAndExecute：先针对用户问题规划出解决问题的全部步骤，再按照规划依次执行完成任务。
• React：采用分步决策模式，仅思考当前步骤的执行动作，依据该步骤的执行结果再推导下一步操作；核心工作流程为Thought（思考）→Action（调用函数）→Observation（接收返回结果） 的循环。

RAG

RAG 是什么？

  RAG=Retrieval-Augmented Generation。Retrieval:检索（从外部知识库文档中查找相关信息）；Augmented：增强（用检索的外部信息来增强模型）；Generation:生成（用大语言模型生成最终回答）。

  RAG系统完整的流程：在系统运行前，把各自文档转化为机器能快速检索的格式，存在数据库中。当用户问问题时，把问题转为向量，然后在向量库里找与该问题向量最像的几段文本，把用户的问题和检索到的资料拼接在一起，喂给大模型，让它综合这些资料生成通顺、准确的回答。

RAG 即检索增强生成，先从外部知识库检索相关信息，再用这些资料增强大模型，最后生成准确回答。流程是：文档入库向量化，用户问题转向量检索相似内容，把问题与资料一起给大模型，生成可靠答案。

RAG相关概念

1、向量数据库

• 核心定位：RAG 体系中最重要的基础设施之一，是实现语义检索的关键。
• 传统数据库短板：依赖关键词匹配，对查询精确度要求高，无法识别语义相关内容，易出现检索结果缺失。
• 核心原理：将各类知识及用户查询信息均转化为能代表内容、特征的数字向量（实际应用为几十至几千维），通过向量相似度匹配找到最相关知识，实现语义检索。
• 核心优势：突破关键词匹配的限制，能精准识别语义相关的内容，解决传统检索 “字不同则无结果” 的问题。
• 实际价值：大幅提升检索的精准度和实用性，如 AI 客服可通过它快速匹配用户咨询的语义相关答案，显著提升用户体验。

2、混合检索 

• 提出背景：针对向量知识库语义检索的两大短板提出，一是超大数据量下检索速度不及传统关键词检索，二是精准匹配场景中关键词检索的优势更显著（如法律文件措辞检索）。
• 核心原理：RAG 系统中同时结合语义检索和关键词检索，融合两种检索方式的优势，弥补单一检索的不足。
• 核心价值：兼顾检索的语义相关性和精准匹配性，同时平衡检索效率与结果质量，最大化提升检索体验。
• 实际应用：如电商搜索 “无线蓝牙耳机” 时，既通过语义检索匹配相关品类，又通过关键词 “无线蓝牙” 精确匹配，避免推荐不符完整要求的产品，保障检索结果的准确性。

3、分块、嵌入与索引

• 核心目的：RAG 存储知识时的核心处理流程，为实现知识的高效管理与快速检索奠定基础，是向量数据库存储知识的前置关键步骤。
• 分块
  • 操作：将原始长文档按固定长度、语义单元等规则拆分为小块；
  • 类比：如同把长篇小说拆分为章节 / 小段落，便于精准查找；
  • 价值：解决长文本检索效率低、精准度差的问题，适配向量检索的颗粒度要求。
• 嵌入：将分块后的每个文本小块转化为可表征内容特征的向量，并将这些向量存储至向量数据库，是实现语义检索的核心转换步骤。
• 索引：将嵌入后的向量存入高效的检索结构，记录向量位置信息；
  • 价值：支持快速的向量相似性计算与检索，大幅提升检索效率。
• 实际应用：如法律咨询平台将法律条文、案例等长文本分块，经嵌入后建立索引，用户查询相关法律问题时，能快速匹配到最相关的文本小块，结合上下文融合生成准确完整的答案。

4、重排序（re-rank）

• 触发场景：RAG 从数据库中检索出多个相关内容后，需进一步筛选最优信息时启动。
• 核心定义：对初步检索结果进行重新排序，核心是评估内容与用户需求的契合程度，将最相关的信息排在前列。
• 核心目的：筛选出相关性最高、准确性最强的内容喂给大模型，直接提升模型回答质量。
• 通俗类比：如同 AI 搜索书籍时，先筛选出一批候选书籍，再按需求契合度排序，方便优先查看最符合心意的书籍。
• 实际应用：广泛用于电商推荐（结合用户实时行为、偏好历史重排商品）等场景，核心价值是提高结果的准确性和实用性。

5、上下文融合

• 核心定义：RAG 将从多个来源检索到的分散知识进行整合，形成全面、连贯的统一内容，作为大模型的输入。
• 核心目的：为大模型提供完整的信息支撑，确保模型输出的回答条理清晰、内容完整，进而生成高质量响应。
• 关键前提：需跨来源检索相关信息（如用户咨询退货问题时，需检索订单信息、退货政策等不同维度内容）。
• 实际应用：广泛用于智能客服等场景，例如用户咨询商品瑕疵退货问题时，通过整合订单状态、退货规则等信息，让模型给出准确且有依据的答复。

6、准确率和召回率

• 核心定位：三者均为衡量 RAG 检索质量的关键指标，其中准确率和召回率是基础指标，F1 值是综合平衡指标。
• 准确率（Precision）
  • 定义：检索结果中与用户问题真正相关的内容占比。
  • 示例：检索到 10 条知识，8 条相关，则准确率为 80%。
  • 核心意义：反映检索结果的 “精准度”，避免无关 / 错误信息干扰（如智能客服需高准确率保障回答质量）。
• 召回率（Recall）
  • 定义：知识库中与用户问题所有相关的知识中，被成功检索到的比例。
  • 示例：知识库中有 20 条相关知识，检索到 12 条，则召回率为 60%。
  • 核心意义：反映检索结果的 “全面性”，避免遗漏关键相关信息。
• 核心矛盾：二者呈 “跷跷板” 关系 —— 过度追求高召回率（如降低检索阈值）可能引入大量无关信息，拉低准确率；过度追求高准确率（如提高检索阈值）可能遗漏部分相关信息，降低召回率。
• F1 值
  • 作用：综合评估准确率与召回率，找到二者的平衡点。
  • 计算公式：F1 = 2*(准确率 × 召回率)/(准确率 + 召回率)。
  • 特点：任一指标过低都会导致 F1 值显著下降，需二者兼顾才能获得较高 F1 值。

7、知识图谱

• 核心定义：以 “节点” 表示各类知识，以连接关系串联相关节点，形成的巨大知识网络，核心是捕捉实体间的关联。
• 核心功能
  • 关联实体：清晰呈现不同知识（实体）间的复杂关系，如菜谱、原材料、烹饪方法的关联；
  • 推理扩展：基于已有的实体关系，推导潜在关联或缺失信息，实现知识的延伸。
• 核心价值：帮助 RAG 发现更多潜在相关信息，大幅提升检索的准确率和召回率，避免因直接存储信息缺失导致的错误回答。
• 实际应用
  • 场景一：菜谱管理中，通过 “菜谱 - 原材料” 关系，快速响应 “用鸡蛋可以做哪些菜” 的查询；
  • 场景二：教育数据中，通过 “一年级 - 5 个班级” 的实体关系，推导计算出未直接存储的 “一年级期末平均成绩”。

OpenClaw

OpenClaw的核心定义

• 核心定位：非传统聊天机器人，而是本地优先、云端适配的 AI 自动化代理，以大语言模型为 “大脑”、Skills 插件生态为 “手脚”，专注自主完成具象化任务。
• 核心能力：理解自然语言指令，无需编写复杂自动化脚本，可独立实现网页操作、邮件管理、文档处理、多平台协同等任务。
• 四大核心特点
  • 零代码门槛：通过自然语言下达指令，无需掌握 Python/Java 等编程技能；
  • 多端适配：支持阿里云服务器、本地设备、无影云电脑等多环境部署；
  • 生态扩展：内置 Clawhub 技能市场，提供数百款现成插件，按需安装即可拓展能力；
  • 智能决策：能基于大语言模型拆解复杂任务（如将 “整理周报” 拆分为读取邮件、提取信息、排版、生成文档等步骤）并执行。