主题
AI Agent
概述
AI Agent（智能体）是能够自主感知环境、做出决策并执行动作以实现特定目标的人工智能系统。与传统的 LLM 问答模式不同，Agent 具备自主性、工具调用能力和多步推理能力。
核心概念
Agent 架构
典型的 Agent 架构包含以下组件：
| 组件 | 说明 |
|---|---|
| LLM（大语言模型） | Agent 的"大脑"，负责理解指令、推理和生成决策 |
| Memory（记忆） | 短期记忆（对话上下文）和长期记忆（向量数据库等持久化存储） |
| Tools（工具） | Agent 可调用的外部能力，如搜索引擎、代码执行器、API 调用等 |
| Planning（规划） | 任务分解、步骤规划与自我反思的能力 |
Agent 运行循环
1. 接收任务 / 观察 → 2. 思考与推理 → 3. 选择并执行工具 → 4. 观察结果 → 5. 重复或输出这个循环被称为 ReAct（Reasoning + Acting） 模式，是目前最主流的 Agent 运行方式。
主流 Agent 框架
LangChain / LangGraph
- LangChain：提供模块化的 Agent 构建工具链，支持多种 LLM、工具和记忆组件
- LangGraph：基于图的状态机框架，适合构建复杂的多步骤 Agent 工作流
- 适用场景：快速原型、RAG 应用、多工具编排
CrewAI
- 多 Agent 协作框架，每个 Agent 拥有独立的角色、目标和工具
- 支持顺序、层级和异步的任务执行模式
- 适用场景：团队协作模拟、复杂任务分解
AutoGen (Microsoft)
- 多 Agent 对话框架，Agent 之间可以自主对话协作
- 支持人类参与（Human-in-the-loop）
- 适用场景：代码生成、数据分析、研究助手
Claude Agent SDK (Anthropic)
- Anthropic 官方的 Agent 开发框架
- 内置工具调用、多步执行和安全控制
- 适用场景：Claude 模型深度集成、企业级 Agent 应用
Agent 设计模式
单 Agent 模式
一个 Agent 独立完成所有任务，适合简单场景。
多 Agent 协作模式
- 分工协作：不同 Agent 负责不同子任务，最后汇总结果
- 对抗评审：一个 Agent 生成，另一个 Agent 审查，提高输出质量
- 层级管理：Supervisor Agent 分配任务给 Worker Agent
工具使用模式
- Function Calling：LLM 原生支持的函数调用机制
- ReAct：推理-行动交替循环
- Plan-and-Execute：先规划完整方案，再逐步执行
最佳实践
- 明确 Agent 边界：清晰定义 Agent 的能力范围，避免过度泛化
- 工具设计要原子化：每个工具做一件事，便于组合和复用
- 加入人工审核：关键操作前加入 Human-in-the-loop 机制
- 日志与可观测性：记录 Agent 的每一步推理和执行过程
- Prompt 工程：为 Agent 编写清晰的角色描述和操作指引