Agent理论

一、agent定义以及组成

1.1 定义

AI Agent是一种超越简单文本生成的人工智能系统。它使用大型语言模型（LLM）作为其核心计算引擎，具备自主思考、规划、调用工具、迭代执行的结合体。

1.2 规划

将模糊的复杂的开放式任务，拆解为逻辑清晰、可被工具化执行的原子化任务流

React：思考、行动、观察、思考…

Plan-and-execute：先定全局计划，再分步执行

Slef-ask：不断问自己来理清思路

1.3 记忆模块

短期记忆：超大上下文窗口

长期记忆：继承pinecone、chroma、Qdrant专用向量数据库

1.4 工具

• 调用api：外部服务接口

• 执行代码：动态生成python脚本

• 操作应用：直接控制桌面应用、excel、ps、控制智能家居等等

• 访问网络：实时搜索网络信息，打破模型训练截止日期局限

工具的技术基石：function calling

1.5 Agent核心总结

Agent = 大模型+记忆+规划能力+工具调用+执行

二、workflow和agent的区别

工作流：固定流程，目标固定

Agent：流程不预设，步骤开放

真实系统：workflow包agent、agent调用workflow（确定部分调用工作流、开放部分交给agent）

三、企业级AI架构方法论

3.1 理论范式

3.1.1 从prompt到loop

Loop：接受目标-》思考-》行动-》观察-思考

Prompt：接受问题-》大模型生成-》回答-》结束

3.1.2 本体世界模型

3.2 底层工程底座

3.2.1 Harness：把loop真正跑起来的引擎

他要干的事：

• 调度模型调用

• 推进循环步骤

• 管理运行状态

• 处理中断与异常

• 连接工具与记忆

3.2.2 记忆

装得下、取得到、不串味

要干的事

短期上下文你管理：压缩、摘要

长期记忆存储

按需检索

隔离与遗忘：分用户、分会话，该忘记就忘记

3.2.3 MCP

接进来，更要管的住

接入必须要做的治理：

1. 注册和发现，agent才知道有什么

2. 权限和授权：谁能调用、调用到什么程度

3. 参数与结果校验

4. 调用审计：谁调用了，调用了什么，结果如何

5. 限流和兜底：失败重试、降级、防死循环

3.3 能力体系

3.3.1 skill插件

把可复用的功能能力打包成“APP“

Skill装了什么：

1. 知识与说明：什么时候用到这个skill

2. 操作流程：分几步、每一步的输入输出

3. 所需工具：要调用那些mcp工具

4. 成功判据：怎么样算成功、怎么自检

Skill带来的价值：

1. 可复用：可用在多个agent上

2. 可沉淀：可沉淀下来变成企业资产

3. 可迭代：

4. 标准化

3.3.2 运维安全 成本可观测

为什么成本会失控：

1. 自主循环

2. 反复调用工具

3. 上下文越来越长

4. 失败重试

要能够看得见、管的住：

1. 按任务几张

2. 定位最贵的一步

原则：先可观测、再谈优化

3.4 安全隔离环境/沙箱

3.4.1 沙箱

沙箱提供的5道护栏：

1. 环境隔离

2. 最小权限

3. 可拦截可回滚

4. 人工确认：高风险任务人工确认

5. 资源限额

3.5 高级协作模式

多agent：把大任务拆给一群专职agent

一个agent，多个子agent干活：

多agent要解决的四件事：

1. 分工：明确角色

2. 编排：谁指挥谁

3. 通信：各个agent怎么传，传什么

4. 合成：多个结果合成最终答案

注意：多agent不是越多越好，而是让复杂度可控、可分工

3.6 业务落地方法论

FDE：把工程能力前置到业务现场

FDE的优势，为什么可以解决落地问题：
1、在真场景里提需求：先找一个真是痛点

2、快速做出一个能用的版本

3、和业务一起迭代

4、沉淀可复制能力

三、agent实现——Langchain

3.1 初始langchain

3.2 理解agent如何工作

四、AI Agent范式推进

4.1 整体演进脉络总览

4.2 提示词工程

核心手段：角色设定、CoT、示例、输出格式强制、约束条款等

4.3 上下文工程

控制模型能读取那些信息

4.4 Harness工程

对整个执行过程的控制、约束与纠偏机制

AI Agent = LLM + Harness

4.5 Loop工程

为了解决AIAgent在复杂任务中无线循环或者无效空转的难题

4.6 图工程（Gragh Engineering）

／

核心主张：AI工程重心从让单个智能体循环工作转向让一群智能体组织协作

４.９　小结

五、Function　Calling

5.1 大模型的局限性

5.2 FC的诞生背景

OPEN AI

5.3 如何理解FC

核心：赋予LLM调用外部API的能力，也成为Agent的核心技能

本质和流程：

5.3 支持FC的国产大模型

Deepseek、GLM、

5.4 总结：FC的调用流程

六、作业