提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

AI智能体（Agent）的底层逻辑，可以概括为：将大语言模型（LLM）从“大脑”升级为“行动主体”，通过“感知→规划→行动→记忆”的闭环，自主完成复杂任务。

一、核心模块？

二、工作流程

典型的智能体运行在一个循环中：

1. 感知：接收用户输入或环境状态（如当前页面、传感器数据）。

2. 规划：将目标分解为子任务（例如：“订机票” → 搜索航班 → 选择座位 → 支付）。可能生成多个候选计划，并评估最优路径。

3. 行动：调用对应的工具或执行代码。如果是多步行动，每步后都会观察结果。

4. 观察与反思：获取行动后的反馈（执行结果、错误信息、环境变化）。将反馈与当前状态合并，判断是否需要调整计划。

5. 循环：直到目标达成或达到终止条件。

这个循环的实现依赖于LLM的推理能力与工程化的执行框架（如LangChain、AutoGen、CrewAI等）。

---

三、关键设计思想

3.1 ReAct 模式

Reason + Act（推理+行动）

智能体在思考时交替输出“推理过程”和“行动指令”。例如：

text

Thought: 用户想知道明天北京的天气，我需要调用天气API。
Action: search_weather(city="北京", date="明天")
Observation: 明天北京晴，25℃。
Thought: 我已经获取了信息，可以回答用户了。
Answer: 明天北京晴天，最高25℃。

这种交替让模型能够动态调整，避免盲目执行。

3.2 工具调用（Function Calling）

大模型本身无法执行计算、查数据库等操作，但通过训练使其输出结构化参数（如JSON），由外围系统实际调用工具，并将结果回填给模型，从而实现“知行合一”。

3.3 记忆管理

• 短期记忆：利用LLM的上下文窗口（如128K tokens）保存当前任务的完整轨迹。

• 长期记忆：当上下文超长或需要跨会话持久化时，采用向量数据库（如Chroma、Pinecone）存储嵌入式信息，通过检索增强生成（RAG）注入相关记忆。

3.4 多智能体协作

复杂任务可由多个智能体分工协作，各自扮演不同角色（如程序员、测试员、项目经理），通过消息传递协同工作。底层依赖对话管理、任务分配和冲突解决机制。

---

四、底层技术栈

• 模型层：GPT-4、Claude、Llama 等支持函数调用的LLM。

• 框架层：LangChain（编排）、AutoGen（多智能体）、Semantic Kernel（微软）、CrewAI（角色协作）。

• 工具层：API接口、代码解释器、浏览器、数据库、文件系统。

• 存储层：向量数据库（Milvus、Pinecone）、Redis（状态缓存）。

---

五、本质

智能体的底层逻辑本质是：用大模型作为“推理引擎”，将自然语言目标转化为一系列可执行的操作序列，并通过环境反馈进行自适应调整。它并非真正拥有意识，而是通过精心设计的提示、循环、工具调用，模拟了人类的“规划-执行-检查-调整”的工作流。