AI Agent是以大语言模型(LLM)为核心能自主感知环境、推理决策、调用外部工具并循环执行直至完成目标的系统。其核心组成模块包括规划、推理中枢(LLM)、工具集和记忆。Agent通过ReAct交替思考、行动、观察或Plan-and-Execute先规划再执行等范式实现智能并借助Tool Call与MCP协议连接外部世界。Human-in-the-Loop人工确认机制确保高风险操作的可靠性而Agent Skills则通过渐进式披露机制将领域知识与流程规范按需加载。沙箱、Session管理、上下文管理、知识库与记忆等外围组件则保障Agent的稳定运行。未来Agent将贯穿软件工程与数据分析全流程但同时也需警惕失控、偏见、就业冲击等风险重新定义“可控”与边界成为关键命题。从一个案例开始当你对一个智能体说“帮我把上个月的销售数据拉出来对比市场同类产品做成分析报告上传并抄送团队”。十分钟后智能体已连上数据库、写好并跑通取数分析SQL、联网搜索最新竞品信息、画好图表、生成了一份图文并茂的报告然后停下弹出一句“报告已起草好收件人是这几位确认发送吗如有需要修改的地方请指出。”❞这是当下一个普通智能体 (AI Agent) 的基本功能。几年前我们用AI对话聊天现在我们用AI实际干活。接下来作者将揭秘AI Agent的核心原理与基础组件。智能体到底是什么一句话定义AI Agent 是一个以大语言模型(LLM)为大脑能够自主感知环境、推理决策、调用外部工具并循环执行直到完成目标的系统。它和传统聊天机器人的本质区别是行动能力。聊天机器人止步于输出一段文字Agent 会实际搜索、调用 API、编写代码、读写文件、操作浏览器甚至委派给另一个Agent。 如果把 LLM 比作一个绝顶聪明却被锁在房间里、只能说话的大脑那么Agent框架做的事就是给这个大脑装上眼睛感知手脚工具记事本记忆和纪律规划与红线让它能真正走出房间并影响世界。1.1 核心组成模块一个完整的 Agent 系统通常由以下几个模块组成规划Planner把大目标拆成可执行的小步骤代表范式是 ReAct 与 Plan-and-Execute。推理中枢 (LLM)真正的大脑负责理解任务、生成思考与行动指令、判断是否收尾。工具集Tool Set通过 Function Calling | MCP 协议触达外部世界是 Agent 的手脚。记忆Memory短期是对话上下文长期是向量数据库与持久化存储。「注意」LLM 本身不执行任何动作它只负责决策。它输出的是我要调用 function_x参数是param1, param2这样的结构化指令真正去调 API、执行代码的是外层的Agent 运行时。❞核心原理Agent的智能不是玄学而是几种可拆解、可工程化的范式在协同工作。现在从最基础的推理循环开始逐步到工具调用人机交互与智能体技能等原理。2.1 ReActReAct源自论文《ReAct: Synergizing Reasoning and Acting in Language Models》是当今几乎所有 Agent 的推理骨架。它的核心思想优雅简洁让模型交替地想一步做一步看一眼结果也就是三段式循环Thought思考模型推理当前状态决定下一步做什么。Action行动模型决定调用哪个工具、传什么参数。Observation观察工具返回结果作为新的上下文返回给模型。接着是Observation → 新的 Thought → 新的 Action → ...不断循环直到任务完成。关于何时停止**LLM 不会主动说我该停止那循环何时结束**目前有以下几种规则Final Answer 标记模型认为信息已足够时会输出Final Answer前缀运行时检测到即停止。由大模型训练获得的能力。最大迭代次数Max Iterations开发者预设上限N 10 步、20 步到顶就强制收尾。这是防止无限循环的最后防线。错误熔断连续多次工具调用失败如 3 次判定无法继续输出当前最优结果。ReAct的优点是灵活自适应强能在执行中随时纠偏缺点是每一步都要调用一次LLMToken消耗较大且步子多了容易跑偏。这就引出了它的互补范式。2.2 Plan-and-Execute如果说ReAct是走一步看一步那Plan-and-Execute就是先起草规划再开动。它把执行拆成两个阶段规划阶段Plan一个较强的 LLMPlanner一次性生成完整的步骤清单。执行阶段Execute一个执行器Executor逐条执行甚至可以用更轻量、更便宜的模型一旦某步失败就触发重规划Re-Plan。重规划是与 ReAct 最关键的区别。ReAct 遇到失败是换个工具/参数再试试(局部重试)而 Plan-and-Execute 是把已完成步骤 失败信息 剩余计划整体回传给规划器让它重新审视整个计划(全局修订)。为了不让它无限重规划工程上会设两道闸总步数上限(如 10 步)和重规划次数上限(如 3 次)任一超限即标记任务失败。对比如下维度ReActPlan-and-Execute规划时机每步都规划一次性规划失败时重规划调用频率每步都调用(高)规划时调用执行可用轻量模型(低)失败处理单步重试整体重规划适用场景步骤少、需灵活应变步骤多、流程明确、可预拆解优点灵活、自适应全局视野、成本可控缺点易跑偏、成本高计划僵化、重规划开销大这两种范式往往在框架中被结合使用。例如简单1~2轮对话能完成的任务则直接使用ReAct模式超长/复杂任务先使用Plan-and-Execute每步执行时采用ReAct配合。2.3 Tool Call工具调用的本质是LLM 输出结构化指令运行时负责执行。以经典的 Function Calling 为例一次完整调用如下所示更专业地说它是LLM 与外部系统之间的结构化动作接口开发者向模型声明可用函数name、description、parameters / JSON Schema。模型判断是否需要调用工具。如果需要模型输出类似{ tool_name, arguments }的结构化调用意图。Agent / 应用层解析这个调用意图校验参数执行真实 API、数据库查询、搜索、计算等。工具结果再回传给模型模型基于结果继续推理或生成最终回答。MCP 的作用MCPModel Context Protocol本质上是**Agent连接外部工具、数据源、上下文资源和工作流的一套开放协议标准。核心能力能力作用Tools暴露可被模型调用的工具例如搜索、数据库查询、计算任务Resources暴露上下文资源例如文档、数据schema、项目代码Prompts暴露可复用的提示模板或工作流入口MCP的规范明确说明MCP server暴露工具客户端通过tools/list发现工具通过tools/call调用工具每个工具有唯一名称、描述和输入 schema。此外MCP 还支持 Resources用统一 URI 暴露文件、数据库 schema、应用上下文等信息。Prompts 则用于提供结构化提示模板支持用户或客户端选择调用。对比维度Function CallingMCP所在层级模型调用接口层工具/上下文接入协议层解决问题模型如何表达“我要调用哪个函数、用什么参数”外部工具、数据、资源如何标准化暴露给 AI 应用关注对象function name argumentstools / resources / prompts / transport / auth / JSON-RPC执行者应用层或 Agent runtimeMCP client 调用 MCP server2.4 Human-in-the-LoopAI自主性越强越需要一个人工确认的交互。当 Agent 即将执行高风险操作时(例如向他人付款、删除数据、修复关键配置)系统先暂停住等人确认。这就是Human-in-the-LoopHITL。HITL技术实现依赖两个关键能力中断 interrupt与状态快照 checkpoint。完整链路是Agent 检测到高风险 Action → 触发 interrupt把完整状态快照落盘到状态存储库 → 流程挂起向人工展示审批界面 → 给出三种裁决之一批准Approve、修改后批准Edit、拒绝Reject→ Agent 从快照恢复状态继续后续循环。在大家常用的 Agent (例如Cursor,CodeX) 均采用Plan-and-Execute搭配HITL。先进行需求理解与规划起草当遇到不确定的步骤或需要执行对系统有影响的操作时触发人工确认只有等人工完成确认后Agent才会继续执行。❞2.5 Agent Skills仅推理和工具往往还不够真实工作需要输入领域知识和流程规范。而用户不可能将操作规范报表口径审批流程每次都写进提示词那会瞬间撑爆上下文。Agent Skills就是为此而生。一个 Skill 本质上是一个**「文件夹」一个必需的SKILL.md(定义name和description) 可选的scripts/(脚本代码),references/(参考资料),assets/(静态资源)。Skill的精髓在于渐进式披露Progressive Disclosure**分三级按需加载一级永远常驻只把每个 Skill 的name description预载进系统提示让 Agent知道有哪些技能、何时该用却几乎不占 token。二级命中才载入当 Agent 判定某 Skill 相关时才读取完整的SKILL.md正文指令。三级深挖才读取需要更多细节时再去读scripts/,references/,assets/里的链接文件。这套机制把通用 Agent变成领域专家同时把上下文占用压到最低。今年Agent Skills 已发展为发布在agentskills.io的开放标准跨平台可移植Claude 全家桶Claude.ai、Claude Code、Agent SDK与 DeepAgents 都已支持。作者后续也将发布一篇关于Agent Skill的选择与实战文章。**「Skill VS MCP」**引用AnthropicMCP 给 AI Agent 提供连接到外部服务和数据源的能力。Skill 则提供程序知识–关于如何完成特定任务或工作流程的说明。可以同时使用两者MCP 连接为 AI Agent 提供工具访问权限而 Skill 教会 AI Agent 如何有效地使用这些工具。❞外围组件真正把 Agent 送上生产线的往往不是那些酷炫的推理范式而是一圈不起眼但缺一不可的支撑组件。让我们先看一下完整的AI Agent架构图。3.1 沙箱Agent 可以编写和执行任何代码、命令但不能任由它在生产服务器上直接执行。沙箱Sandbox就是一个被严格隔离的执行环境无法影响宿主机。一个典型沙箱的生命周期是创建指定运行时→写入代码→执行受限运行→取回结果stdout / 文件→销毁释放资源。隔离维度包括文件系统临时且销毁不可恢复、网络仅限白名单、CPU / 内存 / 运行时间都有硬性配额一旦越界立即强制终止。3.2 Session 管理Agent 任务往往横跨多轮、长时间运行甚至需要在中断后异步恢复。Session 管理负责维护每个会话的状态让 Agent 重启、故障恢复都能接着上次继续。一个 Session 里到底存什么状态类型典型内容特点工作态当前任务、最近若干轮消息、工具中间结果、协调锁几乎每轮都读写、可重算、丢了能恢复持久态完整对话转录、工具执行结果、审批记录、审计日志是真相源崩溃后必须存活检查点节点边界的完整状态快照用于中断恢复、失败重跑、HITL 续跑业界主流热冷分层Redis PostgreSQL目前生产环境的事实标准是混合架构用Redis承担热路径毫秒读写、带 TTL 的会话工作态、分布式锁用RDBMS做冷路径与真相源落盘完整转录、工具结果、checkpoint、审计。一个后台 worker 定期把已完成的会话从 Redis 持久化到 Postgres让 Redis 保持精简几百 MB 工作态而 Postgres 承载 GB 级历史。跨会话的语义召回则常用向量检索搭配Milvus等VectorDB。3.3 上下文管理LLM 的上下文窗口是有限且昂贵的资源。长任务跑着跑着上下文就会被中间步骤、搜索结果、工具输出塞满。上下文工程Context Engineering也是近年来 Agent 的核心竞争力之一。Compaction压缩Compaction 的思路是当对话逼近窗口上限时把历史**「高保真地摘要」再用摘要 最近内容重启一个新的上下文窗口。关键在于「摘要什么、丢弃什么」以 Claude Code 为例它会让模型保留「架构决策、未解决的 bug、关键实现细节」**丢弃冗余的工具输出和重复消息然后带着压缩后的上下文 最近访问的 5 个文件继续跑用户几乎无感。分层压缩流水线由轻到重以 Claude Code 的分层策略为例层级触发时机做法成本Micro-compaction随时清理陈旧的工具结果且 cache-aware不破坏已缓存前缀零模型调用Auto-compaction约 80–85% 窗口占用fork 一个子 agent 对历史做摘要并打上边界标记以保留可审计时间线一次模型调用手动/compact用户主动大任务开跑前先压一遍给后续腾出空间一次模型调用Session-memory compact实验特性用预先抽取的笔记直接替代摘要跳过模型调用极低Emergencyprompt_too_long报错兜底中途捕获错误、压缩后自动重试视情况一个实用经验是提前触发如 200K 窗口在 ~150K 就压给模型留足输出预算才能写出高质量摘要。(Claude Code 上下文压缩)服务端 Compaction除了客户端自己做Anthropic还把压缩下沉到API在请求里声明compact_20260112策略、按input_tokens设阈值默认 150K命中后 API 自动生成一个compactionblock后续请求带上它API 会**「自动丢弃该 block 之前的全部内容」**从摘要处续跑无需客户端写压缩代码。(Anthropic Compaction 文档)3.4 知识库与记忆Agent 的记忆粗看分两层「短期记忆」是当前对话上下文随会话消失「长期记忆」则依赖向量数据库与持久化存储让 Agent 能跨会话回忆、并通过 RAG检索增强生成把外部知识库接入推理。但要真正落地得回答四个问题「怎么判定该记什么、怎么筛选取回、存在哪里、后续怎么加载」。记忆分层从 RAM 到冷存业界常按寿命 用途把记忆细分为四类Letta/MemGPT 更直接把它类比成操作系统的虚拟内存记忆类型内容Letta 类比工作/短期当前上下文窗口内的对话与中间态Core MemoryRAM在窗口内随读随写情景Episodic历史会话记录可检索Recall Memory磁盘缓存语义Semantic沉淀下来的事实、偏好、知识Archival Memory冷存靠工具查询程序性Procedural流程与规范对应 Skills非记忆如何判定该记什么写路径主流做法是**「写入时用 LLM 门控做事实抽取」Mem0 的 distill-at-write 会在每轮结束后用一次 LLM 调用把原始对话提炼成结构化事实采用「append-only只增不改」避免覆盖丢失并做「去重、冲突消解、时间推理」比如4月要去新西兰到期后改写为已于 2026年4月去过新西兰同时按user / session / agent / app四个维度「分域」防止串味。(Mem0 架构) ChatGPT 走的是另一条路后台「Dreaming」进程在空闲时读取多段历史「合成」**出一份用户记忆状态单独存放、在推理时注入系统提示。(ChatGPT Dreaming)如何筛选 / 召回读路径召回质量取决于多信号融合而非单纯向量相似度。生产系统通常并行跑**「向量语义检索 BM25 关键词 实体/图谱匹配」分融合后再 Rerank并叠加「分域过滤」只取该用户/该会话与「时间排序」**取正确的那个时间版本。缓存与向量库怎么选用途选型说明热态 / 工作记忆Redis/Valkey亚毫秒读写、TTL、分布式锁语义 / 向量召回Qdrant/Milvus超大规模、需二值量化等优化选 Qdrant 等专用库关系型元数据PostgreSQL/MySQLACID、跨会话/时间范围的复杂过滤关系型 / 图记忆Neo4j需要多跳推理、实体关系与双时态审计时假如你从2026年开始学大模型按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线3个月即可成为模型大师薪资直接起飞。阶段1:大模型基础阶段2:RAG应用开发工程阶段3:大模型Agent应用架构阶段4:大模型微调与私有化部署配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】