这里写自定义目录标题
- 前言
- AI智能体架构
- AI智能体流程
前言
AI智能体
AI智能体（AI Agent），是近年来人工智能领域的重要方向。
与传统大模型“被动回答”不同，智能体强调“主动执行”。
它不仅能理解任务，还能进行规划、调用工具、反馈修正，最终完成复杂目标。
我常说：“如果把大模型比作人类的大脑，那么 AI Agent 就是给大脑配上了眼睛、双手和一套完整的行动逻辑。
AI 智能体真正强的地方，不是单次回答，而是这四件事：
推理：根据上下文判断下一步 。
规划：把大问题拆解成可执行步骤 。
记忆：记住历史、偏好和任务状态 。
行动：真正去调用工具、修改系统、完成任务 。
AI智能体架构
一个成熟的 AI Agent 架构，本质上是模拟了人类的认知与行动系统。
目前行业公认的经典大模型 Agent 架构，主要由以下四个核心模块组成：
|大语言模型(LLM)“大脑”|
|
|||
v v v|记忆(Memory)||规划(Planning)||工具(Tools)|
|-短期:Prompt||-子任务拆解||- API /插件|
|-长期:向量库||-反思与修正||-代码执行器|
|||
|
v|行动(Action)/输出|
核心大脑（LLM）
整个智能体的中枢。它不仅负责理解用户的输入（Intent Parsing）。
还负责后续的逻辑推理、调度其他模块，以及最终结果的评估。
- 记忆系统（Memory）
大模型本身的 Context Window（上下文窗口）是有限的，必须借助外部记忆系统：
短期记忆（Short-term Memory）： 利用 Prompt 上下文直接传递当前会话的上下文信息。
长期记忆（Long-term Memory）： 将历史对话、知识库通过 Embedding 技术存储在向量数据库中。
当需要时，通过语义检索（RAG）快速召回，赋予 Agent“不健忘”的能力。
- 规划能力（Planning）
当面对复杂任务（如“帮我写一份竞品分析报告并发送邮件”）时，Agent 不能直接输出答案，而是需要：
子任务拆解（Decomposition）： 将宏大目标拆解为“搜索、下载、对比、写报告、发邮件”等可执行的细分步骤。
反思与修正（Reflection/Critique）： 在执行过程中评估每一步的结果，如果发现报错或偏离目标，能够自我纠错（Self-Correction）。
- 工具箱（Tools/Action）
这是 Agent 突破“信息蚕茧”的关键。
大模型的知识截止日期是有限的，且无法直接操作物理世界。
通过开放 API、Web 搜索插件、本地代码执行器（Code Interpreter），LLM 可以直接调用外部工具。
Agent 的本质就是“用大模型自动编排 API”。
AI智能体流程
AI 智能体的运行逻辑通常是一个循环：观察环境信息 → 理解目标 → 制定计划 → 调用工具执行 → 读取反馈 → 修正下一步 。
可以把一个 Agent 的执行流程拆成 6 步：
接收任务：用户提出目标，比如“帮我分析竞品并输出报告” 。
任务理解：识别目标、约束条件、可用资源和成功标准 。
任务分解：拆成检索资料、提取信息、整理结构、生成结果等子任务 。
工具调用：选择合适工具执行，比如搜索、读取文档、跑代码、查数据库 。
反馈迭代：根据工具返回结果修正判断，必要时重新规划 。
输出结果：生成最终答案、报告或动作，并判断是否结束 。
本文的引用仅限自我学习如有侵权，请联系作者删除。
参考知识
一文讲透AI智能体(架构+原理+流程)
