本文详细介绍了Agent的构成将其拆解为8个关键部分LLM大脑、Context工作台、Skill技能、Memory记忆、RAG知识库通道、Tools手脚、Loop循环引擎和工程化缰绳和围栏。通过一个实际场景的例子展示了这8个部分如何协同工作帮助读者全面理解Agent的运作机制为后续深入学习打下坚实基础。上一节我们讲完大脑变员工,你脑子里应该已经有一个直觉——Agent 就是给大模型加一堆补丁。但是具体加哪些补丁?它们怎么连起来?谁先谁后?这个事不画一张图,你单独看每一节都是孤立的零件,拼不出整体。所以这一节我们就干一件事:把整个 Agent 的全景图给你画出来。画完之后,后面 15 节,你随时可以翻回来看,你都能在这张图上找到那一节讲的是哪一块。01 我把 Agent 拆成了 8 块先把答案给你,我们一会儿挨个讲。Agent 这个东西,我给它拆了 8 块拼图,八块拼齐,就是一个完整的 Agent。最下面这一排 ① 到 ⑥,是 Agent 的身体器官——大脑、工作台、技能、记忆、知识库、手脚。 中间那个 ⑦ Loop,是 Agent 的心跳,所有东西转起来靠它推动。 最上面那个 ⑧ 工程化,是 Agent 的骨骼和缰绳,负责把所有动作框在轨道上,不让它跑偏。好,我们一块一块来。02 第①块:LLM,大模型,大脑这就是上一节我们讲的那颗会说话的脑子。整个 Agent 里所有我下一步该干啥的判断都是它做的。但是你记住一句话:LLM 它只决策,不执行。它会说我建议现在调用发邮件这个工具,但真正去发邮件的,是你的程序。这个区别后面讲 Tools 的时候我们会反复用到。03 第②块:Context,上下文,工作台这一块特别重要,重要到我们专门有一节讲它。很多人对上下文这个词的理解就是聊天记录。这个理解太窄了。你想想啊,我们每次跟大模型说话,实际发过去的东西远远不止用户那句话。我把它的真实样子给你画出来:这一整块东西,合起来叫 Context。每次大模型回答你之前,先把这一整块全部读一遍,然后才回答。所以 Context 它有几个性质你得记住:第一,它是临时的。每次请求都重新拼一遍,不是常驻的。 第二,它的体积直接决定速度、费用、质量。越大越慢、越大越贵、越大越容易让大模型分心产生幻觉。 第三,它是其他几块拼图的出口——记忆、技能、工具、知识,所有这些东西最终都是为了往 Context 里塞东西。后面我们专门有一节讲怎么组装、怎么压缩这个 Context。04 第③块:Skill,技能,可插拔的手册我们刚才说,System Prompt 是岗位手册。但是手册写多了会爆炸——你想啊,如果你的 Agent 既要会写简历、又要会做财务报表、又要会做出差计划、又要会画思维导图,你把所有这些怎么做的规则全部塞在一个 System Prompt 里,会怎么样?第一会超过 token 限制,第二会让大模型脑子糊掉、容易胡说。那怎么办?把手册拆成一本本小册子,每本只有封面简介会被默认加载,真正用到哪一本,再把那一本的全文取出来。这就是 Skill。Skill 不是新东西,它就是 System Prompt 的工程化拆分。它的核心价值就两个词:动态加载、按需加载。后面有一节专门讲 Skill 怎么设计、怎么拆。05 第④块:Memory,记忆,三层结构记忆这个事,初学者最容易搞错的就是——他以为记忆就是一个东西。不是。记忆是三层:第一层叫短期记忆,英文是 short-term。它就是你当前这次会话里说过的话,聊完这次就过期了。 第二层叫长期记忆,long-term。它是跨会话的——你昨天跟 AI 说过你下个月要去日本,今天再聊它还记得这事。 第三层叫用户画像,profile。这是最持久的——你姓啥叫啥、做什么职业、住哪个城市、喜欢喝美式还是拿铁,这些是长期不变的标签。记忆研究的不是我存什么,研究的是下次发给大模型什么。这句话现在听不太懂没关系,我们到第 06 节专门掰开。06 第⑤块:RAG,检索增强生成,知识库通道公司内部资料、产品手册、过往工单,这些大模型出生时不知道的私有知识,我们得在它回答之前临时塞进 Context。最经典的做法就是 RAG,中文叫检索增强生成。流程上一般是这样:用户问题 → 重写问题 → 关键字检索语义检索 → 融合排序 → 重排序 → 塞进 Context → 大模型回答这套流水线的每一步都有一节专门讲,你不用现在记。你现在只要知道一件事——RAG 是给 Agent 喂知识的一种方式。注意我说的是一种。因为还有另一种方式叫 Skill,我们刚才讲过。这两个东西怎么选,2026 年这个时间点已经有定论了——这个我们后面专门有一节叫为什么 2026 年没人再提 RAG,到那一节再展开。07 第⑥块:Tools,工具,手脚让大模型能动手的所有接口,统称 Tools。查天气、查数据库、发邮件、操作浏览器、读文件、写文件、跑脚本——全部都是 Tools。但是你要记住一件事:生产级的 Tools 远不只是调一个函数那么简单。它涉及到注册、注入、权限检查、缓存、队列、超时、重试、沙箱执行——这些东西每一个都不是小事。我们在第 04 节会把整个 Tools 的架构拆开讲。另外,Tools 后来还衍生出一个东西叫 MCP(Model Context Protocol),你可以理解成工具的 USB 标准——让不同公司、不同 Agent 之间可以共享同一套工具。这个我们也有专门一节讲。08 第⑦块:Loop,循环引擎,心跳这一块是 Agent 的灵魂。我们上一节讲过——Agent 不是一问一答,而是想一步做一步再想一步。最经典的循环模式叫 ReAct(Reasoning Action),就是推理行动。流程是这样:判断要不要用工具 ├─ 不要 → 直接给最终答案 → 退出 └─ 要 → 调工具 → 拿到结果回灌 Context → 回到第一步这是一个循环。它会一直转,转到大模型自己觉得行了,我可以给最终答案了,才退出。ReAct 是最简单的一种。还有 Plan-Execute(先列计划再执行)、Reflection(写完互查)、还有把这三种组合起来的混合模式。这些我们在第 09 节专门讲。而真正生产环境的 Agent,比如 Claude Code,它把这个循环扩展成了 7 个阶段——多了上下文整理、Skill 加载、权限检查、压缩等等很多事。这些我们在第 10 节讲。09 第⑧块:工程化,Harness,缰绳和围栏讲到这,前 7 块都齐了——大脑、工作台、技能、记忆、知识、手脚、心跳。一个 Agent 看似可以跑了。但是你直接拉出去用,它一定会出事。为什么?因为大模型有幻觉、会失控。你跟它说不要在 main 分支上开发,它信誓旦旦答应你,然后聊着聊着就忘了,真的就在 main 分支上开发了。这种事不是个例,用过 AI 写代码的人都遇到过。所以光有提示不行,你得有强制约束。这就是第 ⑧ 块——工程化。我们后面会用Harness这个词,Harness 翻译过来是马具——马鞍、马缰绳、马鞭、马刺,加上赛场的跑道、围栏。整套约束工具,让一匹野马跑在你想要的轨道上。具体来说,工程化包括:Hook(钩子):执行前后强制拦截,比如禁止删 .env、禁止在 main 分支提交Permission(权限):把所有工具按危险等级分级,只读 / 写文件 / 网络 / 执行脚本,不同级别不同处理SubAgent(子智能体):把独立任务交给一个隔离的子智能体去做,避免它把上下文搞乱审计、重试、日志:出事可追溯、可恢复第 12 节、13 节、14 节我们逐个展开。10 把 8 块串起来,看一次真实的 Agent 调用光讲拼图你没感觉。我们用一个具体场景,把这 8 块拼图全部串一遍。假设你在公司,跟你那个 AI 助理说:「“帮我把昨晚和小林在企业微信上聊的关于 H5 改版那部分,整理一份会议纪要,然后发到我们部门的飞书群里。”」这个任务里头会发生什么?我一步一步给你画:第一步,用户那句话进来,Loop ⑦ 启动。第二步,Context ② 开始组装。这一步特别热闹,8 块里好几块都参与了:翻 Skill ③ 目录,发现会议纪要生成这个技能命中,加载它的全文翻 Memory ④,从用户画像里知道小林是用户的产品同事,从长期记忆里知道用户喜欢简洁的风格把相关的 Tools ⑥ 描述塞进来——读企业微信聊天的工具、生成 Markdown 的工具、发飞书的工具加上历史消息和用户当前那句话这一整块拼成一个完整的 Context第三步,把这个 Context 发给 LLM ①。LLM 看完之后,决定第一步该干啥——它说我要先去读企业微信的聊天记录。第四步,工程化层 ⑧ 拦截这次调用。它检查权限——读取聊天记录这个工具是只读级别,放行。第五步,工具执行,返回原始聊天文本。第六步,聊天记录回灌到 Context,再次问 LLM。LLM 看完原始记录,说我筛出了 H5 改版那部分,生成了会议纪要 Markdown。第七步,LLM 接着说现在我要发飞书。第八步,工程化 ⑧ 又拦了一下——发飞书是网络写操作,危险等级高,触发用户确认。用户点了确认。第九步,飞书消息发送成功。第十步,LLM 判断任务完成,输出最终回复。Loop ⑦ 退出,Memory ④ 更新(“用户今天处理了 H5 改版纪要”)。我们对照一下这次调用用到了哪几块:① LLM:用了三次(第三步、第六步、第十步)② Context:每次调 LLM 之前都重新组装③ Skill:第二步加载了会议纪要生成④ Memory:第二步读取,第十步更新⑤ RAG:这次没用上——因为不需要查公司知识库⑥ Tools:用了三个工具(读聊天、生成 Markdown、发飞书)⑦ Loop:从头到尾在转⑧ 工程化:在第四步、第八步两次拦截你看,8 块拼图不是每次都全用,但每一块都可能在某种场景下被点亮。这就是为什么我们要把每一块都讲透——你不知道下次哪块会被用上。11 几个特别容易混的概念,先种下种子学到这,我估计你已经开始有几对名词搞混了。我把最容易混的几对挑出来,先放在这,后面讲到的时候你再回来对照。Memory 和 Context。Memory 是仓库,Context 是这一次拿出来的快照。Memory 是常驻的,Context 是临时的、每次重组装的。Skill 和 RAG。Skill 装的是怎么做的行为指令,RAG 装的是是什么的事实知识。Skill 是文本手册,RAG 是向量数据库。Tool 和 MCP。Tool 是单个工具,MCP 是协议——让工具可以跨进程、跨厂商共享的协议。Tool 是螺丝刀,MCP 是 USB 标准。ReAct 和 Plan-Execute。ReAct 是边想边做,Plan-Execute 是先列计划再执行。前者适合短任务,后者适合长任务。这四对你记不住没关系,后面每对都有专门一节讲,你到时候自然就能分开。12 这一节最后要你记住的一句话我把这一节压成一句话:「Agent LLM Context Skill Memory RAG Tools Loop 工程化。八块拼图缺一不可。」如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取