返回专栏
· 27 分钟阅读

什么是 AI Agent?


一、什么是 AI Agent

AI Agent(人工智能智能体)是一种能够围绕目标自主执行任务的智能系统。

传统 AI 应用通常采用固定流程:用户输入问题,模型生成结果,系统返回响应。

AI Agent 则不仅负责生成内容,还能够根据目标决定下一步做什么,调用外部工具获取信息或执行操作,并根据执行结果调整后续行为。

例如,用户提出:

帮我分析当前项目的技术债务,找出最值得优先处理的三个问题,并生成一份改进计划。

普通 LLM 应用可能直接根据用户提供的上下文生成一份分析报告。

AI Agent 则可能执行:

  1. 理解用户的目标和约束。
  2. 检查项目目录和代码结构。
  3. 分析依赖关系与代码质量。
  4. 调用静态分析工具。
  5. 检查测试覆盖率和构建结果。
  6. 汇总问题并评估优先级。
  7. 根据分析结果制定改进计划。
  8. 生成最终报告。

整个过程中,Agent 不只是生成文本,而是在不断感知环境、做出决策和执行动作。

1.1 Agent 的核心定义

可以将 AI Agent 定义为:

一个能够感知环境、理解目标、制定行动计划、调用工具执行任务,并根据反馈持续调整行为的智能系统。

它通常具备以下五种核心能力:

能力 含义 典型表现
感知(Perception) 获取环境和任务信息 读取文件、接收用户输入
推理(Reasoning) 分析问题和判断下一步行动 识别任务依赖、分析方案
规划(Planning) 将目标拆解为可执行步骤 生成任务计划
行动(Action) 执行操作或调用工具 搜索、运行代码、访问 API
反馈(Feedback) 根据执行结果调整策略 重试、修正计划、终止任务

这些能力共同构成 Agent 的基本运行机制。

1.2 Agent 与传统程序的区别

传统程序通常按照开发者预先定义的逻辑执行。

例如:

def process_order(order):
    validate_order(order)
    calculate_price(order)
    create_payment(order)
    send_notification(order)

程序的执行路径由代码决定,通常不会自主改变任务目标或选择新的工具。

AI Agent 则可以根据任务内容动态决定执行步骤。

例如:

def agent(user_goal):
    context = perceive(user_goal)

    while not context.goal_completed:
        plan = reason_and_plan(context)

        action = select_action(plan)

        result = execute(action)

        context = update_context(context, result)

    return generate_final_result(context)

这段代码只是简化的执行模型,实际 Agent 还需要处理工具权限、执行状态、异常、上下文窗口、循环终止和人工确认等问题。

两者的主要区别:

维度 传统程序 AI Agent
执行逻辑 预定义规则 模型参与动态决策
流程结构 相对固定 可以动态调整
输入处理 按固定 Schema 可以理解自然语言和多模态输入
工具选择 开发者指定 可以根据任务选择
环境反馈 由程序显式处理 可以结合模型进行判断
异常处理 预设分支 可根据反馈选择恢复策略
自主程度 由代码逻辑决定 受模型、工具和权限约束

需要注意,AI Agent 并不是完全脱离程序控制的自主实体。

它的执行范围仍然受到系统提示词、工具定义、权限策略、运行时约束和业务规则的限制。

二、LLM、AI 应用与 AI Agent 的关系

理解 AI Agent,需要先区分几个容易混淆的概念。

2.1 LLM:大语言模型

LLM(Large Language Model)是 Agent 的核心智能组件之一。

它负责:

  • 理解自然语言。
  • 分析上下文。
  • 生成文本。
  • 识别任务意图。
  • 推理和规划。
  • 生成结构化输出。
  • 判断是否需要调用工具。

但 LLM 本身通常不具备直接访问外部系统的能力。

模型可以生成一段 SQL,但真正执行 SQL 的是数据库连接组件;模型可以生成 HTTP 请求参数,但真正访问外部服务的是工具执行层。

因此,LLM 更像是 Agent 的决策和推理引擎。

2.2 AI Application:AI 应用

AI Application 是围绕模型构建的完整应用。

它通常包括:

  • 用户交互界面。
  • Prompt 管理。
  • 模型调用。
  • 上下文管理。
  • 数据检索。
  • 业务逻辑。
  • 结果展示。

并不是所有 AI 应用都是 Agent。

例如,一个简单的文本摘要服务:

用户输入文章
    ↓
调用 LLM
    ↓
生成摘要
    ↓
返回结果

它虽然使用了大模型,但执行流程基本固定,不需要自主规划或动态选择行动。

2.3 AI Agent:具备行动能力的 AI 系统

Agent 在 AI 应用的基础上增加了动态决策和行动能力。

flowchart TD
    A["用户目标"] --> B["AI Application"]
    B --> C["调用 LLM"]
    C --> D{"是否需要自主行动"}
    D -->|"否"| E["生成结果并返回"]
    D -->|"是"| F["Agent Runtime"]
    F --> G["任务规划"]
    G --> H["工具选择与执行"]
    H --> I["获取环境反馈"]
    I --> J{"目标是否完成"}
    J -->|"否"| G
    J -->|"是"| K["汇总结果并返回"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style E fill:#E5F0E9,stroke:#83A995,color:#315D49
    style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style G fill:#EAF3EC,stroke:#83A995,color:#315D49
    style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style I fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style J fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style K fill:#E5F0E9,stroke:#83A995,color:#315D49

三者的关系可以概括为:

  • LLM 提供语言理解、推理和生成能力。
  • AI Application 将模型能力封装为可使用的业务功能。
  • AI Agent 在应用基础上引入动态规划、工具执行和反馈控制。

三、AI Agent 的核心架构

一个生产级 AI Agent 通常不是单个模型,而是由多个协作组件组成的运行系统。

3.1 整体架构

典型架构可以划分为七个部分:

组件 核心职责
Agent Interface 接收用户请求,展示执行状态和结果
Agent Runtime 管理 Agent 生命周期和执行循环
LLM Engine 负责推理、规划和决策
Tool Registry 管理可用工具及其定义
Tool Executor 执行模型选择的工具调用
Memory System 保存短期上下文和长期记忆
State Manager 管理任务状态、执行记录和检查点

架构关系:

flowchart TB
    A["用户 / 外部事件"] --> B["Agent Interface"]
    B --> C["Agent Runtime"]

    C --> D["LLM Engine"]
    C --> E["Memory System"]
    C --> F["State Manager"]

    D --> G["Tool Registry"]
    G --> H["Tool Executor"]

    H --> I["外部工具与环境"]
    I --> H
    H --> C

    E --> D
    F --> C

    C --> J["结果输出"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style C fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style E fill:#EAF3EC,stroke:#83A995,color:#315D49
    style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style G fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style H fill:#EAF3EC,stroke:#83A995,color:#315D49
    style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style J fill:#E5F0E9,stroke:#83A995,color:#315D49

3.2 Agent Runtime

Agent Runtime 是整个 Agent 系统的执行控制中心。

它负责协调模型、工具、记忆和任务状态。

核心职责包括:

  • 接收用户任务。
  • 初始化运行上下文。
  • 调用模型进行决策。
  • 解析模型返回的行动指令。
  • 调度工具执行。
  • 将工具结果反馈给模型。
  • 判断是否继续执行。
  • 管理超时和最大循环次数。
  • 保存执行状态。
  • 处理取消和异常。

Runtime 不应该将所有执行逻辑都交给 LLM。

模型负责提出行动建议,Runtime 负责验证和执行。

例如,模型请求删除一个文件,Runtime 必须检查文件路径、用户权限和操作风险,而不是直接执行模型生成的指令。

3.3 LLM Engine

LLM Engine 是 Agent 的推理引擎。

它通常承担:

  1. 任务意图理解。
  2. 上下文分析。
  3. 任务拆解。
  4. 行动选择。
  5. 参数生成。
  6. 工具调用决策。
  7. 结果评估。
  8. 最终回答生成。

需要注意,模型输出并不等于可信的执行指令。

即使模型生成了符合 JSON 格式的参数,也必须经过 Schema 校验、权限校验和业务规则检查。

四、AI Agent 的核心运行机制

Agent 最重要的特征不是使用了大模型,而是形成了一个持续运行的决策与执行循环。

4.1 Agent Loop

一个典型的 Agent Loop 包含以下步骤:

  1. Observe:观察当前环境和任务状态。
  2. Think:分析问题和已有信息。
  3. Plan:制定下一步计划。
  4. Act:执行工具或环境操作。
  5. Evaluate:评估执行结果。
  6. Repeat:根据反馈继续执行或结束任务。
flowchart TD
    A["接收任务"] --> B["Observe:感知环境"]
    B --> C["Think:分析与推理"]
    C --> D["Plan:制定计划"]
    D --> E["Act:执行行动"]
    E --> F["Evaluate:评估结果"]
    F --> G{"目标是否完成"}
    G -->|"否"| B
    G -->|"是"| H["生成最终结果"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style D fill:#EAF3EC,stroke:#83A995,color:#315D49
    style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style H fill:#E5F0E9,stroke:#83A995,color:#315D49

这是一种抽象执行模型。

实际实现中,Observe、Think、Plan 和 Evaluate 不一定分别调用模型,也可能被合并在一次模型调用中。

关键是 Agent 必须能够根据实际执行结果调整后续行动,而不是始终按照固定步骤执行。

4.2 Agent 的执行状态

Agent 不能只保存一段对话历史。

复杂任务需要显式状态管理。

例如:

{
  "run_id": "run_10001",
  "task": "分析项目技术债务",
  "status": "RUNNING",
  "current_step": "ANALYZE_DEPENDENCIES",
  "plan": [
    {
      "step": 1,
      "name": "读取项目结构",
      "status": "COMPLETED"
    },
    {
      "step": 2,
      "name": "分析依赖关系",
      "status": "RUNNING"
    },
    {
      "step": 3,
      "name": "检查测试覆盖率",
      "status": "PENDING"
    }
  ],
  "tool_calls": [],
  "observations": [],
  "iteration": 2
}

状态信息通常包括:

  • 任务目标。
  • 任务约束。
  • 当前计划。
  • 已完成步骤。
  • 待执行步骤。
  • 工具调用记录。
  • 工具返回结果。
  • 当前执行轮次。
  • 失败原因。
  • 最终完成条件。

这样即使任务执行中断,也能够根据检查点恢复,而不是重新从头执行。

五、Agent 的规划机制

规划(Planning)是 AI Agent 区别于简单工具调用系统的重要能力。

它负责将一个复杂目标转换成可执行的任务步骤。

5.1 任务分解

假设用户提出:

分析某个技术项目,找出性能瓶颈,并提出优化方案。

这个目标过于宽泛,不能直接对应一个工具调用。

Agent 需要将其拆解为:

flowchart TD
    A["分析项目性能"] --> B["获取项目代码"]
    B --> C["识别系统架构"]
    C --> D["分析关键调用链"]
    D --> E["检查 CPU 与内存使用"]
    E --> F["分析数据库访问"]
    F --> G["定位性能瓶颈"]
    G --> H["评估优化方案"]
    H --> I["生成优化报告"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style C fill:#EAF3EC,stroke:#83A995,color:#315D49
    style D fill:#EAF3EC,stroke:#83A995,color:#315D49
    style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style H fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style I fill:#E5F0E9,stroke:#83A995,color:#315D49

这里的任务步骤并不一定完全固定。

例如,如果发现项目没有性能监控数据,Agent 可能需要先寻找日志或配置文件;如果发现数据库查询存在明显问题,则可以进一步分析 SQL 执行计划。

这就是动态规划与固定工作流的区别。

5.2 常见规划策略

1. 顺序规划

任务按照先后顺序执行。

适合具有明确依赖关系的任务。

例如:

  • 读取文件。
  • 提取内容。
  • 分析内容。
  • 生成报告。

2. 并行规划

多个互不依赖的任务可以同时执行。

例如:

  • 分析代码结构。
  • 检查依赖漏洞。
  • 统计测试覆盖率。

这些任务可以由不同 Worker 并行处理。

3. 条件规划

根据中间结果决定后续执行路径。

例如:

  • 如果发现安全漏洞,进入安全分析流程。
  • 如果没有发现漏洞,继续检查性能问题。

4. 迭代规划

执行一步后,根据结果重新规划。

适合探索性任务、调试任务和开放式研究任务。

5.3 规划与工作流的区别

维度 固定工作流 Agent 动态规划
执行路径 预先定义 根据任务和反馈生成
条件分支 开发者定义 模型参与判断
任务拆解 通常固定 可以动态调整
工具选择 通常预先指定 可以动态选择
可预测性 较高 相对较低
执行成本 容易估算 可能存在额外推理成本
适用场景 标准化业务流程 开放式复杂任务

需要注意,Agent 并不意味着所有任务都应该动态规划。

对于支付、订单、审批和资金操作等强约束业务,固定工作流通常更加可靠。

实际系统经常采用混合架构:固定工作流负责关键控制,Agent 负责复杂判断和非确定性任务。

六、工具调用机制(Tool Calling)

工具调用是 AI Agent 从语言生成走向真实行动的关键能力。

LLM 本身通常无法直接访问文件系统、数据库、浏览器或业务系统。

需要通过 Tool Calling 将模型决策转换为外部操作。

6.1 什么是工具

工具(Tool)是 Agent 可以调用的外部能力。

常见工具包括:

工具类别 典型能力
搜索工具 Web Search、知识库检索
文件工具 文件读取、文件写入
数据工具 SQL 查询、数据分析
代码工具 Python 执行、Shell 执行
浏览器工具 页面访问、点击和表单操作
通信工具 邮件发送、消息通知
业务工具 创建订单、查询账户、审批
系统工具 获取时间、读取系统状态

工具需要具备明确的名称、描述、参数结构和执行逻辑。

6.2 工具定义

一个工具通常由以下部分组成:

  • Tool Name:工具名称。
  • Description:工具用途描述。
  • Parameters:输入参数。
  • Schema:参数结构和类型约束。
  • Handler:实际执行函数。
  • Permission:调用权限。
  • Timeout:执行超时时间。

例如,定义一个天气查询工具:

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "查询指定城市的天气信息",
    "parameters": {
      "type": "object",
      "properties": {
        "city": {
          "type": "string",
          "description": "城市名称"
        }
      },
      "required": ["city"]
    }
  }
}

模型看到工具定义后,可以根据用户请求判断是否需要调用。

6.3 Tool Calling 的完整过程

flowchart TD
    A["用户提出请求"] --> B["Agent 调用 LLM"]
    B --> C["模型分析可用工具"]
    C --> D{"是否需要工具"}
    D -->|"否"| E["生成普通文本"]
    D -->|"是"| F["返回工具调用请求"]
    F --> G["Runtime 解析参数"]
    G --> H["Schema 校验"]
    H --> I["权限与风险检查"]
    I --> J{"是否允许执行"}
    J -->|"否"| K["拒绝或请求人工确认"]
    J -->|"是"| L["Tool Executor 执行"]
    L --> M["获取工具结果"]
    M --> N["将结果返回 LLM"]
    N --> O{"是否需要继续调用"}
    O -->|"是"| C
    O -->|"否"| P["生成最终回答"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style C fill:#EAF3EC,stroke:#83A995,color:#315D49
    style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style E fill:#E5F0E9,stroke:#83A995,color:#315D49
    style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style G fill:#EAF3EC,stroke:#83A995,color:#315D49
    style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style J fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style K fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style L fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style M fill:#EAF3EC,stroke:#83A995,color:#315D49
    style N fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style O fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style P fill:#DCEFE5,stroke:#4F8B70,color:#24563F

注意,模型返回工具调用请求,并不代表工具已经执行。

完整过程至少包括:

  1. 模型生成工具调用意图。
  2. Runtime 识别工具名称。
  3. 参数解析和 Schema 校验。
  4. 权限和风险检查。
  5. 执行真实工具函数。
  6. 获取执行结果。
  7. 将结果放回模型上下文。
  8. 模型继续推理或生成最终答案。

6.4 工具调用与普通文本生成的区别

普通文本生成:

输入 Prompt
    ↓
LLM 生成文本
    ↓
返回文本

工具调用:

输入 Prompt
    ↓
LLM 生成工具调用请求
    ↓
Runtime 执行工具
    ↓
获取真实执行结果
    ↓
LLM 根据结果继续处理

两者最大的区别是:工具调用包含外部副作用或外部环境交互。

因此,工具执行必须有独立的安全控制层。

6.5 工具调用的关键工程问题

参数可信度

模型可能生成错误参数,必须进行 Schema 校验。

权限控制

不能因为模型选择了某个工具,就默认用户拥有执行权限。

超时控制

工具调用需要设置超时时间,避免单个操作长期占用 Agent。

幂等性

对于创建订单、发送邮件等操作,应防止重复执行。

副作用管理

写入、删除、支付和发布等操作需要更严格的风险控制。

结果验证

工具返回成功状态,不一定意味着业务目标真正达成。需要检查实际结果。

七、Agent 的记忆系统(Memory)

Agent 需要记忆系统来保存任务上下文、历史信息和长期知识。

如果每次调用模型都只传递当前用户输入,Agent 就无法有效处理跨步骤和跨会话任务。

7.1 为什么 Agent 需要记忆

例如,用户要求:

帮我持续跟进这个项目,每次发现新的问题都记录下来,最终形成一份完整的技术债务报告。

Agent 需要记住:

  • 项目基本信息。
  • 已分析的模块。
  • 已发现的问题。
  • 已执行的工具操作。
  • 用户提出的约束。
  • 尚未完成的任务。
  • 历史分析结果。

这些信息不能全部依赖单次 Prompt。

7.2 短期记忆与长期记忆

短期记忆(Short-term Memory)

主要保存当前任务执行过程中的信息。

例如:

  • 当前对话上下文。
  • 当前任务目标。
  • 最近几轮工具调用。
  • 当前计划。
  • 当前执行状态。
  • 中间结果。

短期记忆通常与当前 Agent Run 或 Session 绑定。

长期记忆(Long-term Memory)

用于保存跨任务、跨会话仍然有价值的信息。

例如:

  • 用户偏好。
  • 项目背景。
  • 长期任务约束。
  • 已确认的业务规则。
  • 历史任务摘要。
  • 可复用的经验知识。

长期记忆通常需要独立存储和检索。

7.3 记忆系统的组成

记忆类型 主要用途 存储方式
对话记忆 保存对话上下文 消息存储
任务记忆 保存执行进度 状态数据库
语义记忆 保存事实和知识 数据库、向量库
情景记忆 保存历史任务经历 事件记录、摘要
程序性记忆 保存可复用执行方法 工作流、技能定义

7.4 记忆检索与更新

长期记忆不应该无条件全部塞进 Prompt。

通常需要根据当前任务进行检索、筛选和压缩。

flowchart TD
    A["接收新任务"] --> B["提取任务上下文"]
    B --> C["生成记忆检索条件"]
    C --> D["查询长期记忆"]
    D --> E["相关性与权限过滤"]
    E --> F["记忆排序与压缩"]
    F --> G["构建 Agent Context"]
    G --> H["执行任务"]
    H --> I["提取新的有效信息"]
    I --> J{"是否值得长期保存"}
    J -->|"是"| K["更新长期记忆"]
    J -->|"否"| L["仅保留任务记录"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style F fill:#EAF3EC,stroke:#83A995,color:#315D49
    style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style I fill:#EAF3EC,stroke:#83A995,color:#315D49
    style J fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style K fill:#E5F0E9,stroke:#83A995,color:#315D49
    style L fill:#F5F8F4,stroke:#B5CBBB,color:#40594A

记忆系统需要特别注意:

  • 记忆来源必须可追溯。
  • 不可信输入不能直接升级为长期事实。
  • 过期信息需要更新或失效。
  • 不同用户和租户之间必须隔离。
  • 敏感信息需要遵守访问和保留策略。
  • 记忆写入应该具备质量判断机制。

7.5 Memory 与 RAG 的区别

Memory 和 RAG 经常同时出现在 Agent 架构中,但两者解决的问题不同。

维度 Memory RAG
核心目的 保存 Agent 的历史状态与经验 检索外部知识
主要内容 用户偏好、任务状态、历史经历 文档、数据库、业务知识
数据来源 Agent 运行过程和明确写入的信息 外部知识库
更新方式 记忆提取、合并和淘汰 数据同步、解析和索引
使用时机 恢复上下文、延续任务 回答问题、获取外部证据

Memory 可以使用向量检索,RAG 也可以使用数据库,但不能因为两者使用了相同的存储技术,就将它们视为同一个概念。

八、AI Agent 的上下文管理

Agent 的执行过程通常会产生大量信息。

如果所有内容都持续保留在模型上下文中,会导致 Token 成本增加、注意力分散和上下文窗口溢出。

因此,需要专门的上下文管理机制。

8.1 Context 组成

一次模型调用的上下文通常包括:

System Instructions
    +
User Request
    +
Task State
    +
Conversation History
    +
Retrieved Memory
    +
Available Tools
    +
Recent Tool Results

其中,工具定义和工具返回结果也会占用上下文窗口。

8.2 上下文压缩

常见的上下文管理方式:

  • 保留最近对话。
  • 对历史对话进行摘要。
  • 只保留与当前目标相关的记忆。
  • 移除无关工具返回内容。
  • 将大型结果保存到外部存储,仅保留引用。
  • 将已完成任务压缩成阶段性摘要。

例如,Agent 执行一个大型代码分析任务时,不需要将所有源文件完整内容一直保留在 Prompt 中。

可以将代码分析结果存入外部任务存储,在后续推理时只传入关键结论和必要的文件引用。

8.3 上下文与任务状态不能混为一谈

这是 Agent 工程中一个非常重要的设计问题。

上下文(Context)主要服务于模型推理,任务状态(State)负责记录系统真实执行进度。

两者存在区别:

维度 Context State
主要用途 帮助模型理解当前任务 控制任务执行
内容 对话、摘要、记忆、工具结果 状态、步骤、执行记录
是否允许压缩 可以 需要保留必要事实
是否要求持久化 视任务而定 长任务通常需要
是否作为执行依据 不能单独作为可信依据 是运行时的重要依据

不能只依赖模型上下文判断任务是否完成。

例如,模型可能在历史消息中看到“文件已经保存成功”,但实际文件写入操作可能失败。最终状态应该以工具执行记录和实际资源状态为准。

九、Agent 的行动与反馈机制

Agent 与外部环境交互后,必须处理执行反馈。

如果工具返回错误、数据不完整或结果不符合预期,Agent 应该能够调整行动。

9.1 行动结果分类

结果类型 示例 后续处理
成功 查询返回正常数据 继续任务
无数据 搜索没有结果 更换查询条件
参数错误 API 参数不符合要求 修正参数
权限错误 用户无权访问资源 拒绝或请求授权
临时错误 网络超时 重试
业务失败 订单创建失败 分析业务原因
部分成功 批量操作部分完成 识别成功和失败项

9.2 反馈驱动的调整

flowchart TD
    A["执行工具操作"] --> B["获取执行结果"]
    B --> C{"结果类型"}
    C -->|"成功"| D["验证目标是否达成"]
    C -->|"参数错误"| E["修正参数"]
    C -->|"临时错误"| F["有限次数重试"]
    C -->|"权限错误"| G["停止操作或请求授权"]
    C -->|"业务失败"| H["分析失败原因"]
    D --> I{"任务是否完成"}
    I -->|"否"| J["重新规划"]
    I -->|"是"| K["结束任务"]
    E --> J
    F --> J
    H --> J

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style D fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style F fill:#EAF3EC,stroke:#83A995,color:#315D49
    style G fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style H fill:#F7EAE7,stroke:#C98D7C,color:#754438
    style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style J fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style K fill:#E5F0E9,stroke:#83A995,color:#315D49

反馈机制需要避免两个极端:

  • 盲目重试:重复执行无法恢复的错误。
  • 无限调整:模型持续尝试不同方案,却始终无法完成目标。

因此,需要限制最大迭代次数、工具调用次数、执行时间和总成本。

十、Agent 的执行模式与架构形态

Agent 不只有一种运行方式。

根据任务复杂度、工具数量和协作方式,可以采用不同架构。

10.1 单 Agent 架构

单 Agent 是最基础的形态。

由一个 Agent 负责:

  • 理解任务。
  • 规划步骤。
  • 选择工具。
  • 执行操作。
  • 处理反馈。
  • 输出结果。

适合:

  • 个人助手。
  • 简单代码分析。
  • 文档处理。
  • 轻量自动化。
  • 单一领域任务。

优点是结构简单,状态管理和调试相对容易。

缺点是随着任务复杂度增加,单个 Agent 的 Prompt、工具集合和上下文可能变得庞大。

10.2 多 Agent 架构

多 Agent 系统由多个具有不同职责的 Agent 协同完成任务。

例如,一个技术研究任务可以拆分为:

  • Research Agent:负责资料搜索。
  • Analysis Agent:负责技术分析。
  • Coding Agent:负责代码验证。
  • Review Agent:负责结果审查。
  • Coordinator Agent:负责协调和汇总。