1.概念一个以大型语言模型为核心具备自主理解、规划、记忆和工具使用能力能够为了达成特定目标而与环境持续交互的计算实体通俗一点来说就是“你告诉它做什么它自己想办法怎么做”。2.类别2.1基于智能与架构分类简单反射性、目标导向型、学习型2.2基于大模型应用分类单agent系统、多agent系统3.原理AI Agent LLM大脑 记忆 任务规划 工具3.1大脑核心驱动通常是一个强大的LLM大模型如GPT-4千问3.2记忆短期记忆对话的上下文窗口Context Window长期记忆为了让agent能记住跨对话的信息通常使用外部数据库最常见的是向量数据库用于存储和检索过去的检验3.3规划器负责任务分解、反思和决策。可以是简单的ReAct 模式也可以是更复杂的如思维树。3.3.1ReAct模式1.概念ReAct模式ReAct Reasoning Acting推理 行动2.核心思想LLM 的思考过程Reasoning和外部工具行动Act写进 Prompt提示词交替执行让大模型一边想、一边调用工具3.区别纯CoT思维链只在模型内部推理不与外部进行交互ReAct 是「思考 → 动手调用工具 → 看结果 → 继续思考」的循环过程4.核心循环Thought思考 → Action行动 → Observation观察4.1Thought思考LLM 用自然语言输出内心思考例如用户问现在最新的天气情况我知识库里面并没有最新的数据这个时候需要用到搜索工具查询了4.2Action输出结构化工具调用工具名 参数由程序执行工具例如参数,某年某月某月某地点最新时间的天气情况4.3Observation拿到工具返回的结果作为环境反馈塞回上下文例返回网页文本某年某月某月某地点最新时间的天气是多云然后回到 Thought继续判断信息足够 → 生成最终答案终止循环信息不足 → 继续下一轮 Thought→Action→Observation拿到错误结果 → 调整思路换工具 / 换 query 问题重试*注思考不能只在脑子里想到需要外部信息就去调用工具拿到外部信息再继续推理5.ReAct Prompt 模板你是一个天气查询智能体可以使用工具获取实时天气。 严格遵守输出格式每一轮必须输出 ThoughtActionAction Input。 当信息足够回答用户问题时输出 Final Answer停止调用工具。 可用工具 WeatherSearch[city]查询指定城市最新实时天气参数为城市名例如 WeatherSearch[合肥] 输出规则 1. Thought思考当前需要做什么是否需要调用工具 2. Action工具名称只能写 WeatherSearch 3. Action Input工具入参写城市名称 4. 拿到Observation之后再继续思考不要编造天气数据 用户问题{input} 开始交互示例用户问题合肥今天天气怎么样 Thought: 用户想查询合肥今天实时天气我的知识库没有实时天气需要调用WeatherSearch工具查询合肥。 Action: WeatherSearch Action Input: 合肥 Observation: 合肥2026-09-29晴气温20~28℃微风空气质量良 Thought: 已经获取合肥今日完整天气信息不需要再调用工具可以整理答案。 Final Answer合肥今日天气晴气温20~28℃微风空气质量良。6.优缺点优点1.直观逻辑贴近人类解决问题的思路2.推理和工具调用交织减少幻觉3.实现简单是工业 Agent 最基础的底座4.方便调试Thought 可以打印出来看模型到底怎么想的缺点1.长任务容易迷失多轮循环上下文越来越长容易忘记最初目标2.容易陷入死循环反复调用同一个工具没有新信息3.没有顶层全局规划属于增量式思考不会先一次性写出完整任务计划这点和 Plan-and-Solve 最大区别4.依赖 LLM 遵守输出格式有时候模型不按规范写 Action解析失败。对比ReAct边走边想边推理边行动增量式Plan-and-Solve先写完整全局计划再一步步执行计划3.4工具箱Agent与外界交互的桥梁如搜索引擎api、计算器、代码执行器、数据库查询接口、其他应用API3.5工作原理概括Agent 是能自主感知目标、规划步骤、调用工具、迭代执行、反思纠错直到完成任务的大模型系统区别于普通大模型 “一问一答”Agent 拥有自主循环执行能力。1.基本组成 五大核心模块感知模块Observation获取外部信息用户指令、工具返回结果、环境状态数据库查询、网页搜索、API 返回、代码执行结果作为输入。大脑大模型 LLM推理核心负责理解目标、思考、决策、写计划、生成工具调用参数、反思结果。LLM 本身不会直接操作外部世界只输出思考文本 工具调用指令。规划模块Planning把复杂大任务拆解成多个子任务。 两种典型思路链式思考一步步串行做ReAct分层规划先生成整体方案再逐个执行子任务Plan-and-Solve工具集Tools / ActionsAgent 能调用的外部能力用来弥补大模型短板实时信息、计算、读写文件、API、数据库、代码解释器。 例如搜索、计算器、OCR、向量库、爬虫、接口调用。记忆模块Memory保存历史信息是 Agent 持续工作的关键分三类短时记忆本轮对话 / 任务上下文Prompt 窗口内保存本次思考、工具返回、中间结果长时记忆向量数据库存储跨任务持久记忆过往经验、知识库反思记忆记录失败案例用来后续优化决策2.执行循环1.ReAct 范式思考 (Thought) → 行动 (Action) → 观察 (Observation)循环往复Plan-and-Resolve规划优先适合复杂长任务LLM 先一次性生成完整任务清单整体规划按顺序逐个执行子任务每个子任务内部再走 ReAct 循环遇到失败可以动态修改计划适合写调研报告、数据分析、项目拆解缺点一开始规划容易脱离实际需要动态修正。3.Agent 反思Reflection / Self-critique高级能力高级 Agent 增加反思环节 任务做完或子步骤失败后让 LLM 回头评估刚才的步骤有没有错有没有遗漏信息工具参数是不是不对有没有更优路径反思结果存入记忆后续同类任务可以避开坑。4.主要呈现方式1.对话式界面这是最常见的形式如高级的聊天机器人或AI助手。你在一个聊天框里与它对话但它背后可以调用各种工具去完成你交代的任务。例如ChatGPT、豆包、千问。2.自动化流程这类Agent可能没有直接的用户交互界面它更像一个在后台运行的脚本。你给它一个初始目标它就开始“干活”最终交付一个结果如一份报告、一段代码、一个数据集。Auto-GPT和BabyAGI是早期的代表3.嵌入式助手Agent被无缝集成到现有的软件中作为辅助功能出现。最典型的例子就是编程软件中代码生成器的各类插件它在你的代码编辑器中实时提供代码建议和补全就像一个‘小助手’。4.物理实体当Agent的能力与机器人技术结合它就有了物理形态。例如能理解“帮我把桌子上的苹果拿过来”并执行的机器人其背后的大脑就是一个LLM Agent。5.多智能体环境通常以模拟平台或协作平台的形式出现用于研究和展示多个Agent如何互动。用户可以观察它们的行为或者作为“上帝”角色设定规则和目标。5.与传统软件的区别传统软件核心要素软件工程师机制通过一系列预定义的指令、逻辑、规则和启发式算法将流程固定下来以满足软件运行结果符合用户的预期即用户按照指令逻辑一步一步达成目标生产方式人工为中心AI辅助AI Agent核心要素Agent机制将原本由人类主导的功能开发初见迁移为以AI为主要驱动力。以大模型为技术基础设施Agent为核心产品形态变成目标导向的智能体自主生成。生产方式AI为中心人工辅助声明本人自学 Java 后端 Agent 智能体的实践产物参考资料均来自公开可访问的网络资源。如若涉及版权侵权恳请联系本人将第一时间进行删除、修正处理。 
长河君 · 2026/10/1 10:28:18 · 阅读 1.2k Agent智能体学习（持续ing）
1.概念一个以大型语言模型为核心具备自主理解、规划、记忆和工具使用能力能够为了达成特定目标而与环境持续交互的计算实体通俗一点来说就是“你告诉它做什么它自己想办法怎么做”。2.类别2.1基于智能与架构分类简单反射性、目标导向型、学习型2.2基于大模型应用分类单agent系统、多agent系统3.原理AI Agent LLM大脑 记忆 任务规划 工具3.1大脑核心驱动通常是一个强大的LLM大模型如GPT-4千问3.2记忆短期记忆对话的上下文窗口Context Window长期记忆为了让agent能记住跨对话的信息通常使用外部数据库最常见的是向量数据库用于存储和检索过去的检验3.3规划器负责任务分解、反思和决策。可以是简单的ReAct 模式也可以是更复杂的如思维树。3.3.1ReAct模式1.概念ReAct模式ReAct Reasoning Acting推理 行动2.核心思想LLM 的思考过程Reasoning和外部工具行动Act写进 Prompt提示词交替执行让大模型一边想、一边调用工具3.区别纯CoT思维链只在模型内部推理不与外部进行交互ReAct 是「思考 → 动手调用工具 → 看结果 → 继续思考」的循环过程4.核心循环Thought思考 → Action行动 → Observation观察4.1Thought思考LLM 用自然语言输出内心思考例如用户问现在最新的天气情况我知识库里面并没有最新的数据这个时候需要用到搜索工具查询了4.2Action输出结构化工具调用工具名 参数由程序执行工具例如参数,某年某月某月某地点最新时间的天气情况4.3Observation拿到工具返回的结果作为环境反馈塞回上下文例返回网页文本某年某月某月某地点最新时间的天气是多云然后回到 Thought继续判断信息足够 → 生成最终答案终止循环信息不足 → 继续下一轮 Thought→Action→Observation拿到错误结果 → 调整思路换工具 / 换 query 问题重试*注思考不能只在脑子里想到需要外部信息就去调用工具拿到外部信息再继续推理5.ReAct Prompt 模板你是一个天气查询智能体可以使用工具获取实时天气。 严格遵守输出格式每一轮必须输出 ThoughtActionAction Input。 当信息足够回答用户问题时输出 Final Answer停止调用工具。 可用工具 WeatherSearch[city]查询指定城市最新实时天气参数为城市名例如 WeatherSearch[合肥] 输出规则 1. Thought思考当前需要做什么是否需要调用工具 2. Action工具名称只能写 WeatherSearch 3. Action Input工具入参写城市名称 4. 拿到Observation之后再继续思考不要编造天气数据 用户问题{input} 开始交互示例用户问题合肥今天天气怎么样 Thought: 用户想查询合肥今天实时天气我的知识库没有实时天气需要调用WeatherSearch工具查询合肥。 Action: WeatherSearch Action Input: 合肥 Observation: 合肥2026-09-29晴气温20~28℃微风空气质量良 Thought: 已经获取合肥今日完整天气信息不需要再调用工具可以整理答案。 Final Answer合肥今日天气晴气温20~28℃微风空气质量良。6.优缺点优点1.直观逻辑贴近人类解决问题的思路2.推理和工具调用交织减少幻觉3.实现简单是工业 Agent 最基础的底座4.方便调试Thought 可以打印出来看模型到底怎么想的缺点1.长任务容易迷失多轮循环上下文越来越长容易忘记最初目标2.容易陷入死循环反复调用同一个工具没有新信息3.没有顶层全局规划属于增量式思考不会先一次性写出完整任务计划这点和 Plan-and-Solve 最大区别4.依赖 LLM 遵守输出格式有时候模型不按规范写 Action解析失败。对比ReAct边走边想边推理边行动增量式Plan-and-Solve先写完整全局计划再一步步执行计划3.4工具箱Agent与外界交互的桥梁如搜索引擎api、计算器、代码执行器、数据库查询接口、其他应用API3.5工作原理概括Agent 是能自主感知目标、规划步骤、调用工具、迭代执行、反思纠错直到完成任务的大模型系统区别于普通大模型 “一问一答”Agent 拥有自主循环执行能力。1.基本组成 五大核心模块感知模块Observation获取外部信息用户指令、工具返回结果、环境状态数据库查询、网页搜索、API 返回、代码执行结果作为输入。大脑大模型 LLM推理核心负责理解目标、思考、决策、写计划、生成工具调用参数、反思结果。LLM 本身不会直接操作外部世界只输出思考文本 工具调用指令。规划模块Planning把复杂大任务拆解成多个子任务。 两种典型思路链式思考一步步串行做ReAct分层规划先生成整体方案再逐个执行子任务Plan-and-Solve工具集Tools / ActionsAgent 能调用的外部能力用来弥补大模型短板实时信息、计算、读写文件、API、数据库、代码解释器。 例如搜索、计算器、OCR、向量库、爬虫、接口调用。记忆模块Memory保存历史信息是 Agent 持续工作的关键分三类短时记忆本轮对话 / 任务上下文Prompt 窗口内保存本次思考、工具返回、中间结果长时记忆向量数据库存储跨任务持久记忆过往经验、知识库反思记忆记录失败案例用来后续优化决策2.执行循环1.ReAct 范式思考 (Thought) → 行动 (Action) → 观察 (Observation)循环往复Plan-and-Resolve规划优先适合复杂长任务LLM 先一次性生成完整任务清单整体规划按顺序逐个执行子任务每个子任务内部再走 ReAct 循环遇到失败可以动态修改计划适合写调研报告、数据分析、项目拆解缺点一开始规划容易脱离实际需要动态修正。3.Agent 反思Reflection / Self-critique高级能力高级 Agent 增加反思环节 任务做完或子步骤失败后让 LLM 回头评估刚才的步骤有没有错有没有遗漏信息工具参数是不是不对有没有更优路径反思结果存入记忆后续同类任务可以避开坑。4.主要呈现方式1.对话式界面这是最常见的形式如高级的聊天机器人或AI助手。你在一个聊天框里与它对话但它背后可以调用各种工具去完成你交代的任务。例如ChatGPT、豆包、千问。2.自动化流程这类Agent可能没有直接的用户交互界面它更像一个在后台运行的脚本。你给它一个初始目标它就开始“干活”最终交付一个结果如一份报告、一段代码、一个数据集。Auto-GPT和BabyAGI是早期的代表3.嵌入式助手Agent被无缝集成到现有的软件中作为辅助功能出现。最典型的例子就是编程软件中代码生成器的各类插件它在你的代码编辑器中实时提供代码建议和补全就像一个‘小助手’。4.物理实体当Agent的能力与机器人技术结合它就有了物理形态。例如能理解“帮我把桌子上的苹果拿过来”并执行的机器人其背后的大脑就是一个LLM Agent。5.多智能体环境通常以模拟平台或协作平台的形式出现用于研究和展示多个Agent如何互动。用户可以观察它们的行为或者作为“上帝”角色设定规则和目标。5.与传统软件的区别传统软件核心要素软件工程师机制通过一系列预定义的指令、逻辑、规则和启发式算法将流程固定下来以满足软件运行结果符合用户的预期即用户按照指令逻辑一步一步达成目标生产方式人工为中心AI辅助AI Agent核心要素Agent机制将原本由人类主导的功能开发初见迁移为以AI为主要驱动力。以大模型为技术基础设施Agent为核心产品形态变成目标导向的智能体自主生成。生产方式AI为中心人工辅助声明本人自学 Java 后端 Agent 智能体的实践产物参考资料均来自公开可访问的网络资源。如若涉及版权侵权恳请联系本人将第一时间进行删除、修正处理。