一、今天学了什么？

今天主要学习了 AI Agent 的基础概念。以前我们更多接触的是普通的程序：用户输入什么，程序就按照固定逻辑执行什么。而 Agent 更像是一个具备一定“自主性”的智能系统。

简单来说，Agent 不只是回答问题，它还可以：

• 理解用户目标；
• 拆解任务；
• 调用工具；
• 获取外部信息；
• 执行多步操作；
• 根据结果继续调整下一步行动。

也就是说，Agent 更像是一个“会思考、会行动、会使用工具的 AI 程序”。

---

二、什么是 Agent？

对 Agent 的理解是：

Agent 是一个以大语言模型为核心，能够根据目标进行规划、决策、调用工具并完成任务的智能体系统。

普通大模型更偏向于“问答”，而 Agent 更偏向于“完成任务”。

例如：

普通 AI：

用户问：帮我写一封邮件。
AI 回答：给你一封邮件内容。

Agent：

用户说：帮我给张三发一封会议延期通知。
Agent 可能会：

1. 理解任务目标；
2. 生成邮件内容；
3. 查找张三的邮箱；
4. 调用邮件工具；
5. 创建草稿或发送邮件；
6. 返回执行结果。

这就是 Agent 和普通聊天机器人的区别。

---

三、Agent 的核心组成

今天我觉得最重要的是理解 Agent 的几个核心模块。

1. 大语言模型：Agent 的“大脑”

LLM 是 Agent 的核心，用来理解用户意图、进行推理、生成计划和决定下一步动作。

比如用户说：

帮我整理一下今天学的内容，然后生成一篇博客。

模型需要判断：

• 用户要的是总结；
• 输出形式是博客；
• 平台是 CSDN；
• 内容主题是 Agent；
• 语气要适合学习记录。

所以，LLM 负责的是理解、推理和生成。

---

2. Prompt：给 Agent 的行为说明书

Prompt 不只是简单提问，它更像是给 Agent 设置角色、任务和规则。

比如：

你是一个 AI 学习助手，请帮助我把今天学习的 Agent 内容整理成一篇适合发布到 CSDN 的技术博客。
要求：
1. 结构清晰；
2. 适合初学者；
3. 结合 Java 开发者视角；
4. 不要太学术化。

好的 Prompt 可以让 Agent 更稳定地完成任务。

今天我也意识到，做 Agent 不只是会调用大模型，还需要会设计提示词，让模型知道该怎么做。

---

3. Tools：Agent 的工具能力

Agent 之所以比普通聊天机器人更强，是因为它可以调用工具。

工具可以是：

• 搜索工具；
• 数据库；
• 邮件系统；
• 日历；
• 文件系统；
• API 接口；
• Python 代码执行环境；
• 企业内部系统。

从 Java 开发者视角看，Tool 其实可以理解成一个个函数、接口或者服务。

例如：

public String searchWeb(String query) {
    // 调用搜索接口
}

public void sendEmail(String to, String subject, String content) {
    // 调用邮件接口
}

Agent 的关键在于：它不只是能调用工具，而是能够判断什么时候调用什么工具。

---

4. Memory：Agent 的记忆能力

Agent 还可以有记忆能力。

记忆可以分为几类：

短期记忆

比如当前对话上下文，用户前面说过什么，Agent 后面可以继续接着理解。

长期记忆

比如用户长期偏好、身份、学习方向等。

例如我自己的情况：

我原来学习 Java，现在希望往 AI 方向发展，最终成为 Agent 工程师。

如果 Agent 记住这个信息，以后回答问题时就可以更贴合我的背景。

外部记忆

比如向量数据库、知识库、文档系统等。

Agent 可以从知识库中检索相关内容，再结合大模型生成答案，这就是 RAG 和 Agent 经常结合的地方。

---

四、Agent 的基本工作流程

今天我对 Agent 的执行流程有了一个比较清晰的认识。

一个 Agent 通常会经历以下步骤：

用户输入目标
    ↓
Agent 理解任务
    ↓
拆解任务步骤
    ↓
决定是否调用工具
    ↓
执行工具
    ↓
观察工具结果
    ↓
继续推理
    ↓
输出最终结果

也可以简单理解成：

Think → Act → Observe → Answer

也就是：

• Think：思考下一步做什么；
• Act：执行动作或调用工具；
• Observe：观察执行结果；
• Answer：给用户最终答案。

这个流程让我意识到，Agent 本质上不是单次问答，而是一个循环执行的智能系统。

---

五、从 Java 开发者角度怎么理解 Agent？

作为 Java 学习者，我觉得可以这样类比：

传统 Java 程序像是：

Controller → Service → DAO → Database

流程比较固定，程序员提前写好逻辑。

而 Agent 更像是：

User Goal → LLM Reasoning → Tool Calling → Result Observation → Final Response

区别在于：

对比项	传统 Java 程序	AI Agent
执行逻辑	程序员提前写死	模型根据目标动态决策
输入方式	结构化参数	自然语言
能力边界	代码定义好的功能	模型 + 工具组合能力
任务处理	单步或固定流程	多步推理和执行
可扩展性	增加接口和模块	增加工具、记忆和知识库

所以我理解 Agent 工程师不是完全脱离传统开发，而是在传统后端能力之上，加上大模型调用、工具编排、上下文管理和智能决策能力。

---

六、Agent 工程师需要掌握哪些能力？

今天学习之后，我感觉 Agent 工程师并不是只会调 API 就够了，而是需要综合能力。

1. 编程基础

Java、Python 至少要熟悉一种后端开发语言。

因为 Agent 最终还是要落到工程实现上，比如接口封装、服务调用、数据库操作、权限控制等。

2. 大模型基础

需要理解：

• Prompt Engineering；
• Function Calling；
• Token；
• 上下文窗口；
• Embedding；
• RAG；
• 多轮对话；
• 模型幻觉问题。

3. 工具调用能力

Agent 的执行能力来自工具。

所以需要会把外部能力封装成工具，例如：

• 搜索工具；
• 数据查询工具；
• 文件读取工具；
• 邮件发送工具；
• 企业业务系统 API。

4. 任务规划能力

Agent 不是一次性完成所有任务，而是需要把复杂任务拆成多个步骤。

例如：

目标：帮我生成一篇 CSDN 博客
步骤：
1. 确认主题；
2. 整理学习内容；
3. 生成标题；
4. 组织文章结构；
5. 输出正文；
6. 优化排版。

5. 工程化能力

真正做 Agent 项目，还要考虑：

• 日志；
• 异常处理；
• 权限控制；
• 工具调用失败重试；
• 成本控制；
• 响应速度；
• 数据安全；
• 用户体验。

这些其实和 Java 后端开发经验是相通的。

---

七、今天最大的收获

今天最大的收获是：我开始理解 Agent 不是一个神秘的新概念，而是可以用工程思维去拆解的系统。

它大概可以理解成：

Agent = LLM + Prompt + Tools + Memory + Planning + Workflow

其中：

• LLM 负责理解和推理；
• Prompt 负责约束行为；
• Tools 负责连接外部世界；
• Memory 负责保存上下文和用户信息；
• Planning 负责任务拆解；
• Workflow 负责整体执行流程。

这让我觉得从 Java 转向 Agent 工程师是有路径的。Java 后端基础并不会浪费，反而可以帮助我更好地理解 Agent 的工程实现。