Day01 | Agent究竟是什么？

一、 核心定义和四大组件

1. Agent 的本质公式
能够自主完成任务的系统就是 Agent，其核心逻辑可概括为：
大模型 (大脑)、工具 (双手) 与执行循环 (思考-行动-观察-再思考) 共同构成 Agent。

2. 缺一不可的四大核心组件
以下四个组件紧密协作，共同支撑 Agent 运作：

二、 Agent 的两类主流工作范式

两种范式：Plan and Execute 与 ReAct。

1. ReAct 模式（边想边做）
全称 Reasoning + Acting 的这一范式，目前应用最为主流。

• 工作流：

  1. Think（思考） ：下一步采取什么动作，要依据当前上下文作出决定。
  2. Act（行动） ：对工具发起调用。
  3. Observe（观察） ：取得执行结果。
  4. Loop：回到思考阶段之前，先把结果并入上下文。

• 关键机制：

  • 结果回流：为使大模型对历史有所“记忆”，Context Window 会接收每一步产生的结果。
  • 动态决策：发现网络问题时转向网络工具，遇到慢查询时则检查日志；也就是说，路径会随发现而变化，并不固定。

• 适用场景：任务目标模糊、需要随机应变，且步骤较少（3步以内）。

• 局限性（长任务困境） ：

  • 迷路：大模型之所以容易遗忘最终目标，是因为步骤增加会使上下文变得过长。
  • 绕路：由于缺少全局规划，执行过程可能像走迷宫一样反复走回头路。
  • 成本高：Token 消耗会随着步骤线性增长，原因是全部历史都要在每轮循环中携带。

2. 先规划、后执行的 Plan and Execute 模式
这种模式是为解决 ReAct 的长任务难题而出现的。

• 核心逻辑：

  1. 第一阶段：Planner（规划） 。在调用工具之前，大模型先根据拿到的任务列出完整的子任务清单。
  2. 第二阶段：Executor（执行） 。简单调用或一个小的 ReAct 循环，都可以充当清单中的单个步骤；整个清单依次得到执行。
  3. 机制：Re-planning（重新规划） 。以原计划排查慢查询、结果发现锁等待为例，意外出现后，Planner 会接收 Executor 的反馈，并据此生成新的后续计划。

• 类比：

  • ReAct = 到路口再决定转向，如同看着导航开车。
  • Plan and Execute = 出发之前规划完整路线（转弯位置、预计到达时间均提前确定）。

• 适用场景：目标明确、需要全局把控，而且步骤多（5步以上）的复杂任务。

3. 范式对比及选型决策表

三、 Agent vs. Workflow（工作流）

初学者最容易混淆这一概念，而两者的核心差别在于控制权归属。

• Workflow（工作流） ：

  • 控制者：开发者（代码） 。
  • 逻辑：硬编码。先执行 A，再执行 B；如果 B 的结果为 X，则进入 C，否则进入 D。
  • 特点：执行路径固定，成本较低且可预测性强。
  • 适用：步骤清晰且重复性高的标准化流程。

• Agent（智能体） ：

  • 控制者：大模型（实时推理） 。
  • 逻辑：动态生成。模型获得目标后，自主决定执行路径。
  • 特点：路径会动态变化，每次运行的结果可能不同。
  • 适用：情况多变、需要自主判断的开放域任务。

架构建议：两者不是互斥关系。最稳健的生产架构通常是 “Workflow 做骨架，Agent 做血肉” 。即用 Workflow 控制主流程，只在需要复杂决策的环节插入 Agent。

四、 Agent 开发面临的四大挑战及应对

1. 幻觉传导

   • 问题：如果第一步推理产生幻觉（错误判断），之后的所有步骤都会建立在错误假设之上，最终使结论彻底偏离。
   • 应对：验证工具返回的结果；对于删除数据、发通知等高风险操作，加入人工确认环节。

2. 工具调用失败

   • 问题：权限不足、网络超时或返回格式异常等情况，都可能使 Agent 卡死。
   • 应对：工具需定义明确的错误返回格式；在 System Prompt 中预设“如果工具报错，应该如何处理”的逻辑。

3. 成本与速度

   • 问题：每轮循环都意味着一次 LLM 调用，步骤持续增加时，Token 消耗与延迟也会随之叠加。
   • 应对：若 Workflow 足以解决，就不要改用 Agent；同时必须严格限制最大循环轮数。

4. 循环风险

   • 问题：查完 B 后又转回查 A，而查 A 又要求先查 B，系统便会陷入死循环。
   • 应对：设置强制结束机制；要求模型每一步推理都自我审视：“现有信息是否足以得出结论？是否还有继续的必要？”

五、 用伪代码呈现 Agent 的极简逻辑

本质上，Agent 的核心骨架十分简单，它就是一个 While True 循环：

def run_agent(user_input):# 1. 初始化消息列表（包含System Prompt和用户输入）messages = [system_prompt, user_input]while True:# 2. 调用大模型，让它思考下一步response = llm.chat(messages)# 3. 判断是否为最终答案if response.is_final_answer:return response.content# 任务完成，退出循环# 4. 执行工具tool_result = execute_tool(response.tool_name, response.arguments)# 5. 将工具结果追加到消息列表（实现记忆/结果回流）messages.append({"role": "tool", "content": tool_result})# 6. 继续循环，让模型基于新结果再思考

总结：Agent 的核心在于利用大模型的推理能力，在“思考”与“行动”之间形成闭环，从而将 AI 从“聊天机器人”升级为“能够自主完成复杂任务的数字员工”。