想要学习AI，就要学习AI Agent，而想要学习AGENT就让我们先了解一些基础的概念【峰哥 AI 手记】。
一、Agent 的本质公式
全书最底层的公式只有一行：
Agent = LLM + 上下文 + 工具直觉上对应三个角色：
| 组件 | 类比 | 职责 |
|---|---|---|
| LLM | 大脑 | 思考、决策（含预训练知识 + 后训练固化的策略） |
| 上下文 | 眼睛 | 每个决策点能"看到"的全部信息 |
| 工具 | 手脚 | 能做的所有事（API、代码执行、子 Agent、与人沟通） |
它还能映射到强化学习的语言里：LLM ↔ Policy（策略）、上下文 ↔ Observation Space（观察空间）、工具 ↔ Action Space（动作空间）。这个映射不是装饰——后面讲评估、后训练时都会复用。
延伸一个有点震撼的视角：图灵奖得主、强化学习之父 Richard Sutton 认为，宇宙演化经历了"尘埃 → 恒星 → 生命 → 智能体（designed entities）"四个阶段。智能体不同于生物之处，在于它能理解自身的运作机制，并通过生成代码实现自举（bootstrap）与自我进化。
图注：Agent三大核心组件的协同关系。LLM负责思考决策，上下文提供感知信息，工具负责执行行动，三者共同构成完整的智能体系统。
二、一个反直觉的真相：模型越强，工程越重要
很多人以为“模型够强就不需要工程了”。第 1 章直接反驳，给出了生产形态的完整公式：
Agent = LLM + [上下文 + 工具 + 约束 + 验证 + 纠正] = Model + Harness括号里的[…]就是Harness（驾驭系统）——把野马一样的模型引导、约束、放大为“可靠任务执行”的那套机制。它包含三个关键动作：
- Constrain（约束）：设定行为边界，给故障安全默认值。
- Verify（验证）：自动判断结果对错，且只看结构化数据，不靠肉眼。
- Correct（纠正）：发现错误先静默重试，失败再回退。
工程范式是层层包含的：
软件工程 ⊂ 提示工程 ⊂ 上下文工程 ⊂ Harness 工程 ⊂ Loop 工程没有 Harness 的模型就像脱缰的野马，能力惊人，但无法可靠地完成任务。当各家模型的能力越来越接近、不再是决定性的差异因素时，竞争优势就转移到了模型之外的工程实践。
这对做业务系统的工程师是个好消息：模型会商品化，但“怎么把模型可靠地用进你的业务”——这是别人抢不走的护城河。
图注：工程范式的层层包含关系。当模型能力趋同时，竞争优势从模型本身转移到Harness工程和Loop工程等更高层次的工程实践。
三、ReAct 循环：Agent 是怎么“动起来”的
下面是 ReAct 循环的流程图，清晰地展示了 Agent 的决策与执行流程：
图注：ReAct（Reasoning + Acting）循环是 Agent 的核心工作流程。Agent 通过“思考”分析当前状态和任务，“行动”调用工具执行操作，“观察”获取环境反馈，然后基于反馈再次“思考”，如此循环直至任务完成。
零散的能力怎么串成一次任务？靠ReAct 循环：
思考（Thought） → 行动（Action） → 观察（Observation） → 再思考 → …上下文 = 静态前缀（系统提示词 + 工具定义）+ 动态轨迹（user / assistant / tool 的消息历史）。每一轮，LLM 都看到完整的历史轨迹——这既是全局认知与可解释性的来源，也是后续强化学习和知识库优化的原料。
一个最小可跑的 Agent，其实就是：
messages=[system_prompt,*tool_defs]whilenotdone:resp=llm(messages)# 思考 + 可能带 tool_callsmessages.append(resp)ifresp.tool_calls:result=run_tool(resp.tool_calls)# 行动messages.append(result)# 观察else:done=True写在最后
这是「AI Agent 共读」系列连载的第1-2天。两天的核心收获只有一句话：Agent 的竞争力不在模型，而在把你业务里的约束、验证、纠正写进 Harness。
如果你也在用 AI 做业务系统，欢迎留言说说你踩过的坑。下一篇我们拆「上下文工程」——为什么它才是全书真正的工程枢纽。
系列预告：第 3 天 上下文工程 → 第 4 天 记忆与知识库 → 第 5 天 工具 ……
若这篇文章对您有一点点帮助或启发，欢迎点赞 / 评论 / 收藏，与君共进步。
)
