文章摘要：本文系统梳理了AI Agent领域的42个核心概念，构建了从基础到进阶的完整知识框架。全文分为八大模块：一、核心基础架构（Model、Scaffolding、Harness等7个组件）定义了Agent的构成要素；二、执行流程与决策范式（ReAct、Plan-and-Execute等4种模式）揭示了Agent的思考方式；三、上下文、知识与记忆（Context、Memory、RAG等6个概念）构建了Agent的信息底盘；四、RAG与检索技术细节（Query改写、混合检索等6项技术）深入知识检索工程；五、工具、协议与技能（MCP、Skill等4个接口）标准化了Agent的外部能力接入；六、工程方法与系统设计（Agent Engineering、Loop Engineering等6个工程学科）确保Agent稳定运行；七、评估与度量（评价标准、SWE-bench等3个维度）量化Agent性能；八、演进方向与高级能力（Agentic AI、自我进化等6个前沿方向）展望Agent未来形态。本文旨在为读者提供结构化的AI Agent知识地图，帮助快速掌握这一领域的核心概念与技术脉络。

一、核心基础架构（从 Model 到 Agent）

这一层解释 Agent 由哪些“零件”构成，以及这些零件如何一层层组装起来。

1. Model（模型）

• 解释：指裸的大语言模型本身，如 Claude、GPT、Qwen、DeepSeek 等。它只负责“文本进、文本出”，本身没有记忆、没有循环、不会主动行动。
• 大白话：Model 就是那个“光动嘴不动手”的大脑。它能表达意图，但真正去执行需要别人帮它。

2. Scaffolding（脚手架）

• 解释：指模型在推理时所“看到”的一切，包括系统提示词、工具描述、输出格式约束等。它塑造了模型的行为边界，但不负责运行逻辑。
• 大白话：Scaffolding 就是给模型看的“剧本”和“道具清单”。告诉它“你是谁、你能用什么、你要怎么回答”。

3. Harness（驾驭引擎）

• 解释：Harness 是真正让模型“跑起来”的执行引擎。它负责循环调用模型、处理模型返回的工具调用请求、判断任务是否完成、控制停止条件。
• 大白话：Harness 就是那个“喊 Action 的导演”。整个 Agent 的“发动机”就是 Harness。
• 精确公式：Agent = Model + Scaffolding + Harness。

4. Tools（工具）

• 解释：Agent 的外部执行能力封装。LLM 只负责“说要做什么”，Tools 负责“真正去做”。包括查询数据库、调用接口、读写文件、执行代码等。

5. Orchestrator（编排器 / 指挥家）

• 解释：负责把多个 Agent 当作单元来调度的更高层级组件。它解决的核心问题是：如何拆解顶层任务、决定下一个该哪个 Agent 行动、并把结果组合成连贯输出。
• 大白话：如果说 Harness 是一个“单兵作战系统”，那 Orchestrator 就是“指挥官”——它不自己打仗，而是决定派哪个兵、用什么战术。

6. Agent（智能体）

• 解释：由 Model、Scaffolding、Harness 和 Tools 共同构成的完整系统。它能够理解目标、拆解任务、调用工具、观察结果、持续修正，并最终完成任务。

7. Chatbot（聊天机器人）

• 解释：主要基于上下文生成回答的系统，不具备主动任务执行能力。
• 与 Agent 的区别：Agent 围绕目标进行任务执行，Chatbot 围绕对话进行回复生成。

二、执行流程与决策范式（Agent 如何思考与行动）

这一层解释 Agent 内部的工作模式：是“边想边做”还是“先想后做”？如何反思和纠错？

8. Agent Loop（智能体循环）

• 解释：Agent 的核心运行机制，是一个不断重复的“思考 → 行动 → 观察 → 修正”循环，直到任务完成。

9. ReAct（推理-行动模式）

• 解释：全称 Reasoning + Acting。流程是：思考（Reasoning）→ 行动（Action）→ 观察（Observation）→ 重复。Agent 在每一步都先想清楚再动手。

10. Plan-and-Execute（规划-执行模式）

• 解释：先将任务分解为规划阶段和执行阶段。planner agent 生成详细任务规划，executor agent 逐步执行。
• 大白话：ReAct 像“摸着石头过河”，走一步看一步；Plan-and-Execute 像“先看地图再出发”。

11. Reflection（反思模式）

• 解释：Agent 在完成任务后或执行过程中，对自身行为进行自我评估和修正的模式。它会检查自己的输出、发现错误、调整策略，然后重新执行。
• 大白话：让 Agent 有“复盘”能力——做完后自己检查“我做对了吗？有没有更好的做法？”

三、上下文、知识与记忆（Agent 的信息底盘）

这一层解释 Agent “知道什么”以及“怎么记住”：从短期会话到长期画像，从向量检索到知识图谱。

12. Context（上下文）

• 解释：本轮真正喂给模型的信息，包括系统规则、用户任务、对话历史、工具结果、RAG 检索内容等。Memory 只有经过检索、筛选、压缩后，才会成为本轮 Context。

13. Context Engineering（上下文工程）

• 解释：系统性地管理和优化模型在决策时所能“看到”的全部信息。包括动态管理系统提示词、工具描述、对话历史、检索到的知识等。
• 大白话：Prompt Engineering 是“写好这一句指令”，Context Engineering 是“管好模型每一步能看到的所有信息”。

14. Memory（记忆）

• 总体解释：Agent 的外部信息存储系统，独立于当前会话存在。
• 工作记忆：保存当前任务目标、任务计划、当前步骤、中间结果、错误信息（存 Redis 或 DB）。
• 会话记忆：保存当前会话中的对话历史、工具调用记录（存 DB，可压缩为摘要）。
• 长期记忆：保存用户画像、项目背景、历史决策、业务规则（存 DB + 向量库）。
• 用户画像：长期记忆的一部分，保存用户基本信息、长期目标、偏好、专业方向。

15. RAG（检索增强生成）

• 解释：在 Agent 中负责外部知识补充，让 Agent 在回答或决策前先检索可靠资料，解决模型知识不足、过时或缺乏企业内部数据的问题。
• 核心流程：查询理解 → 检索 → 重排 → 上下文组装 → LLM 生成。

16. 知识图谱（Knowledge Graph）

• 解释：用图结构组织知识的方式，核心由实体、关系、属性和来源证据组成。适合做关系查询、多跳推理和可解释问答。

17. World Model（世界模型）

• 解释：试图让 AI 理解物理世界运行规律（如物体交互、因果关系）的模型。它让 AI 不仅能理解语言，还能“想象”和“预测”世界的状态。
• 大白话：LLM 是“读过很多书的理论家”，World Model 是“亲自观察过世界运行的实验家”。

四、RAG 与检索技术细节（让知识找得到、用得好）

这一层专门展开 RAG 内部的工程细节，属于 Context Engineering 在知识检索维度的具体落地。

18. Query 改写（Query Rewriting）

• 解释：在检索前对用户问题做预处理，包括意图识别、问题补全、指代消解、同义词扩展、多 Query 生成。
• 稳妥做法：保留 original query 与 rewritten query 做多路召回，避免改写跑偏。

19. 混合检索（Hybrid Search / Mixed Retrieval）

• 解释：向量检索（语义匹配）+ 关键词检索（BM25，精确匹配）结合。工具名、参数名、错误码等依赖精确匹配，自然语言问题依赖语义匹配，两者互补。

20. Rerank（重排）

• 解释：召回阶段尽量找全（TopN 较大），重排阶段把最相关的内容排到前面（TopK 较小）。
• 工程权衡：会增加延迟，可通过控制 TopN、缓存、轻量规则排序等方式优化。

21. 切片策略（Chunking Strategy）

• 常见策略：固定长度切片（带 overlap）、标题/章节切片、递归切片、语义切片、父子切片（小 Chunk 检索，大 Chunk 提供上下文）。

22. Embedding 与向量数据库（Vector DB）

• Embedding：将文本转换成向量，让语义相近的内容在向量空间中距离更近。
• 向量数据库选型建议：中小规模用 pgvector（与 PostgreSQL 集成简单，成本低）；大规模高并发用 Milvus（检索性能强，扩展性好）。

23. HyDE（假设文档嵌入）

• 解释：一种 query 改写技术，先让 LLM 生成一个“假设答案”，再用这个假设答案去做向量检索。
• 大白话：不知道该怎么搜时，先猜答案可能长什么样，拿猜的内容去搜。

五、工具、协议与技能（Agent 的手脚和接口）

这一层解释 Agent 如何“动手”做事，以及如何标准化地接入外部能力。

24. MCP（模型上下文协议）

• 解释：基于 JSON-RPC 的一套标准化接入规范，将工具、数据源和服务统一封装成 MCP Server，让 Agent 通过 MCP Client 统一发现和调用。
• 传输方式：stdio（本地）、SSE（早期远程）、HTTP（现代远程）。

25. Skill（技能）

• 解释：把流程固定、重复性强的一类任务封装起来的“任务方法包”。包含 SKILL.md（元数据+执行流程）、scripts、templates 等。
• 加载方式：渐进式加载，启动时只加载名称和描述，命中后再加载完整内容。

26. A2A（代理间协议）

• 解释：由 Google 提出，定义不同 Agent 之间如何通信和协作的开放标准，实现跨平台、跨组织的 Agent 互联互通。

27. OpenClaw

• 解释：基于 MCP 协议的具体应用，能听懂自然语言指令、自主学习和执行任务的“数字员工”。
• 大白话：如果说 MCP 是“万能插座”标准，那 OpenClaw 就是“插上就能用的家电”。

六、工程方法与系统设计（让 Agent 稳定跑起来）

这一层从软件工程视角出发，解释如何将不稳定的 LLM 系统构建为可靠的生产级产品。

28. Agent Engineering（智能体工程）

• 解释：将非确定性的 LLM 系统迭代优化为可靠的生产体验的过程。循环为：构建 → 测试 → 上线 → 观测 → 优化 → 重复。

29. Harness Engineering（驾驭工程）

• 解释：区别于具体的 Harness 引擎，Harness Engineering 是构建这个引擎的工程学科，关注如何设计让模型安全、稳定、可控地运行的系统外壳。

30. Loop Engineering（循环工程）

• 解释：专注于设计 Agent 执行循环的进入条件、退出条件、错误恢复、循环次数控制，避免陷入“死循环”（doom loop）。
• 大白话：设计这个循环怎么开始、怎么结束、卡住了怎么办。

31. Environment Engineering（环境工程）

• 解释：通过将系统的“环境接口”重写为对 Agent 友好的结构化形态，使 Agent 更容易成功。
• 大白话：与其费力训练一个司机在烂路上开车，不如先把路修好。修路的收益大于训练司机。

32. Workflow（工作流）

• 解释：一种预定义的、确定性的自动化流程，所有执行路径在设计阶段就已固定，适合标准化业务流程。

33. Agentic Workflow（代理式工作流）

• 解释：由 Agent 自主驱动的工作流。执行路径由 Agent 在运行时根据目标动态生成和调整，而非预先固定。

七、评估与度量（怎么判断 Agent 好不好）

这一层解释评价标准：从传统的 AI 指标到面向业务和规模的新度量。

34. Agent 评价标准（Evaluation Metrics）

• 六个核心维度：
  1. 任务完成率
  2. 准确性
  3. 稳定性
  4. 安全可控性
  5. 效率与成本
  6. 用户体验

35. SWE-bench

• 解释：一个评估 Agent 编程能力的基准测试。给 Agent 一个真实开源项目的 issue，Agent 分析仓库并生成 patch，在 Docker 隔离环境中运行测试，通过则视为 resolved。

36. DAA（日活智能体数）

• 解释：由百度创始人李彦宏提出，认为这是衡量 AI 时代产品价值的核心指标，类似于互联网时代的 DAU（日活跃用户数）。
• 大白话：互联网时代比“每天有多少用户在用”；AI 时代比“每天有多少 AI 智能体在跑”。

八、演进方向与高级能力（Agent 的未来形态）

这一层讨论 Agent 正在向什么方向进化：更自主、更聪明、能自己付钱、能自我进化。

37. Agentic AI（代理式人工智能）

• 解释：比单个 AI Agent 更高阶的概念，指具备目标驱动、自主决策、长期规划和持续学习能力的 AI 系统。
• 大白话：AI Agent 是“能干活的数字员工”，Agentic AI 是“能自己定 KPI、自己拆任务、自己复盘”的数字高管。

38. Self-Improving / Learning Agent（自我进化/学习型智能体）

• 解释：能够通过与环境和用户的持续交互，总结经验、反思失败、更新自身策略，从而不断提升能力的 Agent。

39. Agentic Memory（智能体记忆）

• 解释：为了进行长期规划和个性化服务而具备的持久化记忆能力，超越简单对话历史，能存储和调用用户偏好、任务状态、历史经验等。

40. Agentic Payment Protocol（智能体支付协议）

• 解释：由中国信通院提出，旨在解决 Agent 在自主执行任务（如代表用户购物、订票）时，如何进行授权、支付和结算的问题。

41. MIA（记忆智能体）

• 解释：Memory Intelligence Agent，面向深度研究场景，是一个持续运行的 Planning–Execution–Memory 闭环系统，任务经验会不断沉淀反哺后续决策。
• 大白话：普通 Agent 是“做完就忘”，MIA 是“越做越聪明”。

42. Token（词元）

• 解释：AI 处理信息的最小计量单位。国家数据局已将其官方中文译名定为“词元”。