AI Agents：从「会说话」到「会做事」

章 01什么是 AI Agent

定义

AI Agent（人工智能代理 / 智能体）指能够感知环境、自主决策并执行动作以达成目标的 AI 系统。 在大模型语境下，Agent 通常指：以大模型为「大脑」，配合规划、记忆与工具使用能力， 在较少人工干预下完成多步骤复杂任务的系统。

四个判别标准

「智能体」不是新概念

在经典人工智能教科书中，智能体（Rational Agent）早已是核心概念： 任何能通过传感器感知环境并通过执行器作用于环境的实体都算智能体， 恒温器也是一个简单智能体。区别在于：过去的智能体靠人工编写的策略， 今天的智能体由大模型驱动，因而具备了通用的理解与推理能力。

章 02从大模型到智能体

章 03智能体的核心架构

一个典型的 LLM 智能体由五个模块组成，构成一个不断循环的运行闭环。

模块拆解

# 智能体的最小运行循环（伪代码）
goal = "调研三家竞品并生成对比报告"
memory = [goal]
while not finished and steps < max_steps:
    plan     = llm.think(memory, tools_schema)   # 思考：下一步做什么
    action   = plan.next_action                  # 决策：选工具与参数
    result   = tools.execute(action)             # 行动：真正去执行
    memory.append((action, result))              # 记忆：记录观察结果
    finished = llm.judge(memory, goal)           # 判断：目标是否达成
return llm.summarize(memory)

章 04规划与推理

主流推理范式

ReAct 循环示例

问题：2025 年诺贝尔物理学奖得主是哪几位？

Thought 1: 这需要最新信息，我的知识可能过时，应该搜索。
Action  1: search("2025 诺贝尔物理学奖 得主")
Observe 1: [检索结果片段……]

Thought 2: 结果来自可靠来源，可以作答；再核对一次奖项名称。
Action  2: search("Nobel Prize Physics 2025 laureates official")
Observe 2: [官网结果……]

Thought 3: 两个来源一致，可以给出最终答案。
Answer   : ……（附来源链接）

自我反思与纠错

• Self-Refine：模型对自己的输出提出批评并改进，多轮迭代。
• Reflexion：把失败经验写入「长期记忆」，在后续尝试中避免重蹈覆辙。
• 验证器 Verifier：用独立模型或规则检查答案（如单元测试验证代码、计算器验证算术）。
• 多数投票 Self-Consistency：多次采样取最一致的答案，简单但有效。

章 05记忆系统

上下文工程（Context Engineering）

与传统「提示工程」不同，智能体时代更强调在有限的上下文预算内动态组织最有用的信息： 该放什么、何时压缩、何时检索、如何排序。这是决定 Agent 稳定性的关键工程能力。

章 06工具调用与 Function Calling

基本原理

开发者先用 JSON Schema 描述可用工具（名称、功能说明、参数格式）， 模型在需要时输出一段结构化的「调用请求」，系统执行后把结果回填给模型，模型再继续推理。

{
  "name": "get_weather",
  "description": "查询指定城市当前的天气情况",
  "parameters": {
    "type": "object",
    "properties": {
      "city": { "type": "string", "description": "城市名称，如 北京" }
    },
    "required": ["city"]
  }
}

// 模型输出（而非直接回答）：
{ "tool": "get_weather", "arguments": { "city": "庆阳" } }

// 系统执行后回填：
{ "temperature": "12°C", "weather": "晴", "wind": "西北风 3 级" }

// 模型最终回答用户：
"庆阳当前晴，气温 12°C，西北风 3 级。"

常见工具类型

MCP：让工具接入标准化

MCP（Model Context Protocol，模型上下文协议）是一种开放协议， 用于标准化「模型如何发现并调用外部工具与数据源」。 它解决的问题是：过去每个应用都要为每个模型、每个工具写一遍适配代码（M×N 问题）， 有了统一协议后变成 M+N。

章 07经典智能体范式

章 08多智能体系统

把一个复杂任务交给多个专职智能体分工完成，模拟人类团队的组织方式。

常见角色分工

协作拓扑

章 09主流框架与开发实践

开发一个可靠 Agent 的十条经验

1. 先问是否必要：能用提示或简单脚本解决的，不要上 Agent。
2. 缩小工具集：工具越少越准，说明越具体越好。
3. 结构化输出：强制 JSON Schema，减少解析失败。
4. 设置护栏：最大步数、超时、预算上限、危险操作白名单。
5. 可观测：记录每一次思考、调用与结果，便于复盘与审计。
6. 失败重试与降级：解析失败重试、工具失败换路、最终回退人工。
7. 状态外置：把任务状态存在数据库而非仅靠上下文，支持断点续跑。
8. 分级模型：简单步骤用便宜的小模型，关键决策用强模型，成本可大幅下降。
9. 评测集驱动：建立自己的任务集与评分标准，每次改动先跑评测。
10. 人在环内：高风险动作必须经人工确认，保留撤销能力。

章 10应用场景与案例

章 11局限、风险与评测

提示注入攻击示例

评测智能体的四个维度