AI Agent是开发大模型应用的关键，但很多人对其概念和运作方式感到困惑。本文图文并茂地解释了Agent如何通过接入工具使大模型能够感知和改变外界环境。重点介绍了ReAct和Plan-And-Execute两种主要设计模式，包括它们的运作原理、优势及如何通过系统提示词和具体处理程序实现Agent行为。掌握Agent原理和方法论，结合合适工具和框架，开发者能高效开发出基于大模型的应用。下一期将以“代码生成系统”为例，详细讲解Agent的实际运用。

什么是Agent？

大模型本身擅长回答问题，但是在使用时我们会发现一个问题，它们无法感知和改变外界的环境，比如：

• 开发一个博客系统，它确实可以写出代码，但是写完之后，把代码写入到文件还是要自己动手拷贝、启动服务、调试
• 已经有了博客系统的代码，想让大模型基于这些代码来改写，增加一些功能，就必须把已有的所有代码复制给大模型才行，我们不主动告诉大模型它是不知道这些代码的

这就是大模型无法感知和改变外界环境的体现，那么有没有办法解决这个问题呢？我们只需要接入对应的工具即可，比如读写文件内容的工具、查看文件列表的工具、运行终端命令的工具。工具就像大模型的感官和四肢，有了它们大模型就可以自己读、写代码，运行调试代码，整个过程完全自动化。

把大模型和工具组织起来，变成一个能感知和改变外界环境的软件实体，我们就称之为AI Agent。

Agent的设计模式

Agent的设计模式很多，本文主要讲解应用最多的两个模式，ReAct模式和Plan-And-Execute模式。

1、ReAct模式

在ReAct模式下，用户先提交任务，Agent先做思考（Thought）；思考后会决定是否调用工具，如果需要就会调用对应的工具，ReAct称这一步为行动（Action）；在行动后Agent会去查看工具的执行结果，比如读取文件内容、写入文件是否成功等，ReAct称这一步为观察（Observation）；在观察之后，ReAct会继续思考，它会再次判断是否需要调用工具，如果还是需要的话，它会继续重复之前所说的行动、观察、思考的流程，直到某一个时刻，可以给出结论了，此时它就输出了最终答案，整个流程如下：

ReAct模式的实现原理：

为什么ReAct模式拿到用户输入的内容后需要先思考、再行动，为什么不直接行动？是因为模型就这样训练的吗？这和模型的训练没有关系，主要的奥秘其实都集中在系统提示词上，它规定了模型的角色、运行的规则、环境信息等等，示例：

你是一个智能助手，工作方式如下：
1. 你会基于用户的问题先进行“思考（Thought）”，写出你的推理过程。
2. 然后根据推理结果执行“行动（Action）”，调用可用的工具。
3. 当你获得观察结果（Observation）后，再继续思考或给出最终答案。
严格遵循以下输出格式：
Thought: ...
Action: ...
Observation: ...
Final Answer: ...
你可以使用的工具如下：
1. WebSearch(query: str) —— 用于搜索网络信息
2. Calculator(expression: str) —— 用于数学计算
3. PythonRunner(code: str) —— 运行 Python 代码

备注：除了上述提示词外，还需要具体的处理程序。

2、Plan-And-Execute模式

在这种模式下，根据用户输入的任务先制定一个多步骤的计划，然后逐项执行该计划，在执行过程中，可以根据新获取的信息动态调整计划。
Plan-And-Execute模式将Agent的工作流程明确划分为两个主要阶段：

• 规划阶段：Agent首先对接收到的复杂任务或目标进行整体分析和理解。然后，它会生成一个高层次的计划，将原始任务分解为一系列更小、更易于管理的子任务或步骤。这种分解有助于在执行阶段减少处理每个子任务所需的上下文长度，这个计划通常是一个有序的行动序列，指明了要达成最终目标需要完成哪些关键环节。这个蓝图可以先呈现给用户，允许用户在执行开始前对计划步骤给出修改意见。
• 执行阶段：计划制定完成后（可能已采纳用户意见），Agent进入执行阶段。它会按照规划好的步骤逐一执行每个子任务。在执行每个子任务时，Agent可以采用标准的ReAct循环来处理该子任务的具体细节，例如调用特定工具、与外部环境交互、或进行更细致的推理。执行过程中，Agent会监控每个子任务的完成情况。如果某个子任务成功，则继续下一个；如果遇到失败或预期之外的情况，Agent可能需要重新评估当前计划，可以动态调整计划或返回到规划阶段进行修正，此阶段同样可以引入用户参与，允许用户对子任务的执行过程或结果进行反馈，甚至提出调整建议。

与标准的ReAct相比，Plan-and-Execute模式的主要优势在于：

• 结构化与上下文优化：通过预先规划将复杂任务分解为小步骤，不仅使Agent行为更有条理，还有效减少了执行各子任务时的上下文长度，提升了处理长链条任务的效率和稳定性。
• 提升鲁棒性：将大问题分解为小问题，降低了单步决策的复杂性。如果某个子任务失败，影响范围相对可控，也更容易进行针对性的调整。
• 增强可解释性与人机协同：清晰的计划和分步执行过程使得Agent的行为更容易被理解和调试。更重要的是，任务的分解为用户在规划审批和执行监控等环节的参与提供了便利，用户可以对任务的执行步骤给出修改意见，从而实现更高效的人机协作，确保任务结果更符合预期。

这种"规划-执行"的思考框架因其在复杂任务处理上的卓越表现，已成为AI Agent领域广泛采用的核心策略之一。

总结

无论是刚入门的大模型应用开发者，还是工程化的团队，只要掌握了Agent底层原理和方法论，结合合适的工具和框架，都能轻松、高效开发出基于大模型的应用。

从下一期开始，我会以一个“代码生成系统”为实例，详细讲解Agent如何在实际项目中进行运用，整个“代码生成系统”的业务流程大致如下：

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026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、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】