刷到一个挺有意思的话题，结合自己之前的经验，整理了一下核心要点。
> 📚 这里收录于「流浪」的系列专栏
系列专栏直达链接🐧 Linux系统进入专栏 →⚙️ C++进入专栏 →📊 数据结构与算法进入专栏 →🐍 Python进入专栏 →🔗 LangChain & LangGraph进入专栏 →🗄️ MySQL 数据库进入专栏 →🌿 Git 工具进入专栏 →🌐 计算机网络进入专栏 →🤖 LLM专栏进入专栏 →💯 大厂面试、八股进入专栏 →📚 学习筑基专栏进入专栏 →
🏠 博客主页：流浪 ｜ 📝 原创首发于 CSDN
前面几篇讲了大模型能聊天、能调用工具、有 MCP 标准协议。但每次都要各位一步步指挥它吗?
能不能这样:各位只说"帮我策划一场社团活动",它自己拆任务、查场地、发通知、拉赞助?
能。这就是 Agent(智能体)。这篇讲透:Agent 是什么、内部怎么构成、靠哪些设计模式干活。
目录
目录
一、什么是 Agent:会自己干活的 AI
定义:Agent(智能体)是可以感知环境、自主决策、并调用工具去完成特定任务的智能系统。
一句话:"带大脑、有手脚、有计划"的数字助手。
传统 AI vs Agent(以"学生准备社团活动"为例):
传统 AIAgent形象复读机社团负责人模式问答模式:各位推一下,它动一下任务驱动:你给目标,它自己搞定行为问"怎么写策划"→ 给模板,结束拆出"定场地/发通知/拉赞助"→ 自己执行
Agent 的完整表现(社团活动例子):
- 感知与规划:调日历 API 看空闲场地,拆出三个步骤
- 调用工具:自动发邮件联系场地管理员,搜索潜在赞助商
- 自主决策:原场地被占用?自动查备用场地、重新协调
- 记忆:记得上次你对音响不满意,这次自动注明"高保真音响"
二、Agent 的基本架构:四件套
经典公式:
Agent = LLM(大脑) + 规划(策略) + 工具(手脚) + 记忆(经验)
组件作用LLM 大脑逻辑推理、意图识别、语言生成,一切行动指令的源头规划 Planning分析任务状态、拆解目标、生成思考路径、决定下一步工具 Tool实际执行动作:搜索引擎、计算器、代码解释器、第三方 API记忆 Memory短期记忆(上下文历史)+ 长期记忆(向量库/知识图谱),防遗忘、供决策
回家开灯例子:下班对智能音箱说"我回来了"
- 大脑:理解"回来"得恢复居家环境
- 规划:拆三步:开客厅灯 → 开空调 → 放轻音乐
- 记忆:记得你喜欢白光、空调 24℃、钢琴曲音量 30%
- 工具:依次给智能灯泡、空调、音乐播放器发指令
三、Agent 的基本特性
特性定义例子自主性无需直接干预,自主运作你只说要 4 天行程,它自己查机票/酒店/顺序反应性感知环境,及时应对变化发现机票售罄,立刻改方案主动性主动规划达成隐含目标主动比价、算预算、推最佳路线学习能力从历史交互提取偏好你说"不喜欢太赶",下次自动留足自由时间社交能力多个 Agent 通信协作与机票 Agent、酒店 Agent 协同规划
记忆口诀:自主、反应、主动、会学、会协作。
四、Agent vs Workflow
维度Workflow(干活流)Agent(智能体)理念确定性流程:按预设路径执行自主决策:动态规划步骤决策者开发者(代码预设)AI 模型(运行时判断)执行路径固定、分支有限动态、可调整重试类比严格照菜谱的学徒自带工具箱、灵活应变的项目经理类比2跟团游:8 点集合、9 点到博物馆背包客:排队太长就先去吃肉夹馍
实际落地:两者常配合——框架(Workflow)提供约束防乱跑,Agent 提供智能处理繁琐环节。基于干活流的智能体是主流。
五、Agent 的三大设计模式
课件先给了两个"失败示范",再引出正确姿势——理解这个铺垫,三种模式就活了。
5.0 铺垫:两种极端的坑(北京天气穿衣建议)
模式做法结果Reasoning-Only 纯推理不调工具,只凭记忆推理❌ 说"晴朗 15℃",实际有雨 8℃——幻觉Action-Only 纯行动只调工具不思考❌ 查到"沙尘暴不适合户外",仍建议用公园——逻辑矛盾
1. Reasoning-Only 纯推理
Thought 1: 今天是4⽉21⽇，北京春季平均⽓温约15℃左右。
Thought 2: 春季常有⻛，但沙尘暴不常⻅。按往年经验，4⽉下旬多晴或多云。
Thought 3: 穿⾐建议：15℃适合穿薄外套或⻛⾐。
Final Answer: 北京今天天⽓晴朗，⽓温约15℃，建议穿薄外套或⻓袖T恤。
2. Action-Only 纯行动
Action: get_weather(city="Beijing")
Observation: {"temp": 8, "condition": "沙尘暴", "wind": "5级"}
Action: check_outdoor_suitable(condition="沙尘暴")
Observation: "不适合⼾外活动"
Action: recommend_parks(city="Beijing") ← 问题出在这⾥！
Observation: ["朝阳公园", "奥林匹克森林公园", "颐和园"]
Action: final_answer("北京今天8℃，沙尘暴，不适合⼾外。推荐公园：朝阳公园、奥林匹克森林
公园、颐和园。")
结论:光想不做会幻觉,光做不想会犯错——所以要把"想"和"做"结合,这就是 ReAct。
5.1 ReAct:想一步,做一步,看一步
定义:ReAct = Reasoning(推理)+ Acting(行动),由 Google Research 2022 年提出。核心是思考 → 行动 → 观察循环(TAO 循环)。
北京天气正确示范:
Thought 1: 需要先查天气,再决定推不推荐公园
Action: get_weather(city="Beijing")
Observation: {"temp": 8, "condition": "沙尘暴"}
Thought 2: 沙尘暴不适合户外,用户要求"晴好才推公园",应改推荐室内
Action: recommend_indoor_places(city="Beijing")
Observation: ["国家博物馆", "首都图书馆"]
Final: 北京 8℃ 有沙尘暴,建议去博物馆/图书馆等室内
干活原理：
优势:
- 动态适应:根据上一步结果即时调整(机票售罄就改日期)
- 可解释性强:Thought→Action→Observation 轨迹清晰可追溯
- 显著降低(非杜绝)幻觉:工具观察提供事实锚点
劣势解决思路易陷入循环/跑偏双层架构:顶层规划器 + 底层执行器,规划器定期拉回主干无法并行,效率低用模型原生并行调用 / 代码并发,别靠串行循环硬扛不适合长周期任务任务下发消息队列,后台 Worker 执行,完成再回调调用次数不可控设置最大迭代步数(Max Steps),超出强制停止
5.2 Plan & Execute:先画蓝图,再按图施工
定义:先由规划器(Planner)生成高层多步骤计划,再由执行器(Executor)按序执行,中途可触发重新规划(Re-plan)。
类比:先画施工蓝图,再按图施工,遇到地质变化改图纸。
工作原理
优势:
- 不易跑偏:全局计划像图纸,防止被无关信息带歪
- 可并行:无依赖的步骤同时跑(查 A/B/C 股价并行,比串行快 3 倍)
- 效率高成本低:规划阶段集中推理(1-2 次 LLM 调用),执行阶段多为固定工具调用
劣势解决思路异常分支薄弱与 ReAct 混合:执行器局部自治,遇异常本地决策,不惊动全局计划错则全盘失败计划先排序检查;分段干活勤"存盘";哪坏修哪(局部重试)不适合探索性任务放弃预设终止条件,改用"探索-评估"循环(规划器出方向 → 执行器抓数据 → 评估器打分)
5.3 Reflection:自己审自己,迭代优化
定义:让模型对自身输出进行自我审视、批评并迭代改进。"生成 → 反思"闭环。
类比:像审稿——同学写了"请节约用水用电,保护地球人人有责"(太笼统),你一轮轮改:加具体做法("离开教室关灯关风扇")→ 加感染力("轻轻一按,给地球的温柔")。
工作原理
优势:
- 质量更高:生成者 + 批判者自我博弈
- 不依赖别人:Self-Refine,无需另建打分模型
- 减少返工:错误前置,把试错成本转移到 AI 自己的推理中
劣势解决思路费时间/成本高快照对比 + 强制早退,不每次读全量上下文容易改过头设最大反思轮次(通常 1-3 次)自己有盲区引入外部校验:代码跑测、事实核查、用户反馈
5.4 三模式对比表
维度ReActPlan & ExecuteReflection核心思考→行动→观察循环先规划再执行生成→反思→优化目标通过与外部交互完成任务高效执行确定任务提升输出质量依赖严重依赖外部工具反馈规划质量评估机制场景实时动态任务高确定任务高准确任务(代码/数学/创作)
注意:三种不互斥,常互补组合(如 ReAct 干活 + Reflection 复盘)。
六、主流 Agent 框架一览
框架一句话定位LangChain模块化智能体开发的"乐高底座"LangGraph有状态、可控的繁琐智能体工作流(图编排)LlamaIndex以数据为中心的 RAG 与 Agent 框架CrewAI角色扮演式多 Agent 协作("AI 梦之队")AutoGen多智能体"会议式"对话协作Coze(扣子)字节低门槛可视化 Bot 搭建平台Dify可视化 LLMOps 与 Agent 编排平台FastGPT开箱即用的知识库问答平台百度千帆 AppBuilder企业级大模型应用开发平台
这些框架本质是把上面三种设计模式封装成好用的工具,让开发者不用从零写 ReAct/Plan&Execute/Reflection 循环。
七、面试官追问
Q1:Agent 和普通对话 AI(如网页版 ChatGPT)的本质区别? A:普通对话 AI 是"问答模式"——你问一句它答一句,不做自主行动;Agent 是"任务驱动模式"——你给个目标,它自己拆解、规划、调工具、多步执行直到完成。核心区别是有没有自主决策和行动能力。
Q2:为什么 ReAct 能降低幻觉?它彻底解决幻觉了吗? A:ReAct 通过"行动→观察"引入外部工具返回的真实结果作事实锚点,模型不是凭空编造,而是基于观察推理,所以显著降低幻觉。但不彻底——如果工具返回的数据本身有误,模型会基于错误信息继续推理。
Q3:Agent 公式四件套能少一个吗? A:实际很难。LLM 是大脑(缺了没法推理),规划让目标可拆解(缺了会乱跑),工具让 AI 能执行(缺了只能聊天),记忆让行为连贯(缺了每轮失忆)。四件协同才构成"能自己干活"的 Agent;弱化任一都会退回成"高级聊天机器人"。
Q4:ReAct 和 Plan & Execute 怎么选? A:看任务确定性。高确定、步骤清晰 → Plan & Execute(先规划,高效省成本);
动态、要边做边看反馈 → ReAct(每步根据观察调整)。繁琐任务常混用:Plan 定框架 + ReAct 处理局部。
如果这篇让你搞懂了 Agent 怎么"自己干活",欢迎
暂时整理到这里。以上都是个人理解，可能有疏漏，欢迎指正。
评论 (0)
暂无评论