AI Agent 核心概念
一、核心思想
AI Agent 是一个能感知环境、做决策、执行动作的软件系统，核心公式为：
Agent = LLM + Planning（规划） + Memory（记忆） + Tools（工具）
它与普通聊天机器人的本质区别是：Agent 不只是“说”，而是在动态环境中持续观察、判断、执行，直到任务完成。
二、AI Agent 的演进阶段
| 阶段 | 特点 | 关键发展 |
|---|---|---|
| 2022年：对话时代 | 模型只能基于已有知识回答 | Prompt Engineering 为主，只能“说”不能“做” |
| 2023年中：工具时代 | 模型可调用外部API | Function Calling、RAG 出现，AutoGPT 等早期探索 |
| 2023年底：编排时代 | 重视推理框架和多Agent协作 | ReAct 范式普及，Coze/Dify 等平台用 DAG 约束流程 |
| 2024年底：标准化时代 | 协议和多模态变重要 | MCP 协议、Computer Use、AI编程工具快速发展 |
| 2025年：长任务时代 | Agent 成为可执行长流程的工作单元 | Agent Skills 机制出现，封装固定流程和校验规则 |
| 2026年：常驻时代 | 更接近长期在线的数字工作单元 | Skills + Heartbeat（定时唤醒），Harness Engineering 受重视 |
分水岭：2023年中之前，AI基本只能“说”；之后开始逐渐能“做”。
三、Agent、传统编程、Workflow 的区别
| 类型 | 控制方式 | 适用场景 |
|---|---|---|
| 传统编程 | 程序员写代码 → 执行结果 | 逻辑固定、高频执行、高性能要求（如订单扣库存） |
| Workflow | 产品画流程图 → 执行结果 | 流程清晰、步骤有限、需可视化管理（如审批流） |
| Agent | 用户说意图 → AI决策 → 动态执行 | 步骤不确定、需理解意图、动态判断（如排查故障） |
关键判断：执行路径能提前确定就用 Workflow，不能确定再用 Agent。
四、Agent 核心组件详解
1. Planning（推理与规划）
- 用 LLM 分析任务状态、拆解目标、决定下一步。
- 常用技术：Chain-of-Thought (CoT)，让模型逐步推理。
2. Memory（记忆）
| 类型 | 作用 | 实现方式 |
|---|---|---|
| 短期记忆 | 保持对话连续性 | 上下文历史 |
| 长期记忆 | 积累过去经验 | 外部知识库（向量数据库、知识图谱） |
3. Tools（工具）
- 让 LLM 能操作外部世界（查数据、调API、读文件、执行代码）。
- 关键闭环：工具执行后返回结果 → Agent 放入上下文 → 进入下一轮推理（Observation）。
4. Agent Loop（核心运行机制）
每一轮循环做三件事：
- LLM 推理：决定下一步（调用工具还是直接回复）。
- 执行工具：调用并捕获返回结果。
- 写回上下文：将观察结果追加到上下文，继续下一轮。
- 安全兜底：设置最大迭代轮次（一般10-20轮）或 Token 阈值，防止死循环。
五、Tools 注册与调用标准
1. 数据格式：Function Calling Schema（OpenAI Schema）
- 用JSON Schema描述工具的名称、用途、参数类型和必填字段。
- 关键在
description：要把使用场景和禁用场景讲清楚，直接影响模型是否调用及参数填充。 - 示例（慢SQL查询工具）：
{"type":"function","function":{"name":"query_slow_sql","description":"查指定微服务的慢SQL。服务响应慢时用。如果是网络问题，别调这个。","parameters":{"type":"object","properties":{"service_name":{"type":"string","description":"服务名"},"time_range":{"type":"string","description":"时间范围 HH:MM-HH:MM"}},"required":["service_name","time_range"]}}}