Agent 的本质是以大语言模型（LLM）为核心大脑，通过四大核心组件的协同，实现「目标→规划→执行→反馈→优化」的自主闭环。你之前学的所有内容（CoT/ToT 思维链、反思机制、Prompt 工程、API 调用、多轮对话），都是这四大组件的底层技术支撑。

下面我会逐个拆解每个组件的定义、核心价值、技术实现、落地场景，完全贴合你的学习路径，最后给你可直接复用的通用架构图。

一、四大核心组件详解

1. 规划（Planning）：Agent 的「大脑中枢」

核心定义

规划是 Agent 接收用户的模糊 / 复杂目标后，自动拆解任务、制定执行计划、动态调整策略的核心模块，解决大模型「一步错、步步错」的致命问题，让复杂目标可落地。

核心价值

普通大模型只能处理单轮、简单的指令，而 Agent 靠规划模块，能处理「帮我做一个完整的学生管理系统」这种多步骤、跨环节的复杂目标，无需人类逐步骤引导。

核心技术实现（完全对应你之前学的内容）

规划模块的技术，都是你已经学过的 Prompt 工程与推理框架，分为两大核心能力：

（1）目标拆解：把大目标拆成可执行的小步骤

• 基础方案：CoT 思维链，让 LLM 把大目标拆成连续的执行步骤
• 进阶方案：ToT 思维树，对复杂任务生成多个分支路径，评估后选最优路径
• 工业级方案：任务分解 Prompt，强制 LLM 按固定格式拆解任务，输出结构化的执行计划

（2）动态规划与反思：根据执行结果调整计划

• 核心框架：ReAct 框架（推理 + 行动），每执行一步就先思考「下一步该做什么」，再执行动作
• 纠错能力：反思机制（Reflection），执行失败后自动复盘问题、修正计划、重新执行
• 行业方案：Reflexion、RAP 等进阶反思框架，提升复杂任务的完成率

典型示例

用户目标：「帮我做一个学生成绩数据分析报告」规划模块的输出：

1. 读取本地的 students.csv 文件，检查数据完整性
2. 处理缺失值、异常值，清洗数据
3. 执行描述性统计（平均分、最高分、最低分、及格率）
4. 按班级、性别分组分析成绩差异
5. 生成可视化图表（直方图、箱线图）
6. 撰写完整的数据分析报告，输出 markdown 文件

2. 记忆（Memory）：Agent 的「知识库 + 日记本」

核心定义

记忆是 Agent 负责存储、检索、管理全生命周期信息的模块，解决大模型「上下文窗口有限、跨会话失忆、无法积累经验」的问题，让 Agent 越用越贴合你的需求。

核心价值

普通大模型的记忆仅限于当前会话的上下文，对话结束就重置；而 Agent 的记忆模块，能长期存储你的偏好、历史任务经验、外部知识库，实现跨会话、跨任务的信息复用。

核心分类与技术实现（对应你学过的上下文管理、嵌入接口）

行业内通用的记忆分层，完全匹配你的学习内容：

表格

记忆类型	核心定义	存储载体	对应你学过的技术	典型用途
短时记忆（工作记忆）	存储当前任务的对话历史、执行步骤、中间结果，生命周期仅限当前任务会话	内存、会话上下文列表	多轮对话的 messages 列表、上下文管理 Prompt	记住当前任务的执行进度、用户的实时指令
长时记忆（永久记忆）	存储用户长期偏好、历史任务经验、外部知识库，生命周期永久	向量数据库（Chroma/Pinecone）、本地文件、数据库	文本嵌入接口、RAG 检索、Prompt 库	记住你的代码风格、学习进度、常用技术栈、私人知识库

核心操作

1. 存储：把用户输入、执行结果、反思内容，转成嵌入向量，存入向量数据库
2. 检索：执行新任务时，自动检索相关的历史信息、知识库内容，注入到 LLM 上下文
3. 遗忘机制：自动过滤无效信息、压缩冗余内容，避免上下文窗口爆炸

典型示例

你之前让 Agent 写过 FastAPI 代码，指定了「代码要符合 PEP8 规范、带完整异常处理、中文注释」，记忆模块会把这个偏好永久存储。下次你再让它写代码时，会自动检索这个偏好，直接生成符合你要求的代码，无需你重复说明。

3. 工具调用（Tool Use）：Agent 的「手脚与感官」

核心定义

工具调用是 Agent 突破大模型能力边界，调用外部系统、API、函数、软件来完成大模型本身做不到的事的核心模块，解决大模型「知识截止、无法获取实时信息、无法执行物理操作、无法对接外部系统」的问题。

核心价值

普通大模型只能输出文本，无法和外部世界交互；而 Agent 靠工具调用，能实现搜索、代码执行、文件读写、API 对接、数据库操作等能力，把文本输出变成真实的动作。

核心执行流程（对应你学过的 API 调用、函数调用）

1. 工具定义：提前给 LLM 声明工具的名称、功能、入参出参规范（比如「天气查询工具，入参是城市名，出参是实时天气数据」）
2. 工具选择：LLM 自主判断「当前步骤是否需要用工具、用哪个工具、需要传入什么参数」
3. 工具执行：Agent 调用对应的 API / 函数，执行工具，获取返回结果
4. 结果处理：把工具返回的结果整理后，注入到 LLM 上下文，继续后续规划

常用工具分类（你可以直接对接使用）

表格

工具类型	典型示例	核心用途
信息检索类	搜索引擎（Serper / 百度搜索）、RAG 知识库检索	获取实时信息、专业知识，解决大模型知识截止问题
代码执行类	PythonREPL、Jupyter 内核、代码沙箱	执行代码、测试代码、数据分析、数学计算
系统交互类	文件读写、终端命令执行、操作系统接口	操作本地文件、安装依赖、启动服务
API 对接类	天气 / 股票 API、飞书 / 企业微信 API、FastAPI 自定义接口	对接第三方服务、自动化办公
数据库类	MySQL、Redis、PostgreSQL 连接器	读写数据库、数据处理

典型示例

用户问：「今天北京朝阳的天气怎么样？适合出门吗？」

1. LLM 判断：需要调用「天气查询工具」，入参是「北京朝阳」
2. Agent 调用天气 API，获取实时数据：「晴，22℃，风力 2 级，空气质量优，非常适合出门」
3. LLM 把结果整理成自然语言，返回给用户

4. 行动（Action / 执行）：Agent 的「落地执行器」

核心定义

行动是 Agent 把规划的步骤、工具调用的能力，落地成具体动作、完成闭环执行、校验结果、反馈迭代的核心模块，是 Agent 和普通大模型最核心的区别 —— 普通大模型只输出「想法」，而 Agent 靠行动模块输出「结果」。

核心价值

规划模块只制定了「要做什么」，而行动模块负责「真的去做」，同时完成「执行→校验→反馈→优化」的闭环，无需人类干预就能完成整个任务。

核心执行流程（对应你学过的反思机制、自我纠错）

1. 动作执行：严格按照规划模块的步骤，调用对应的工具，完成具体动作
2. 结果校验：自动检查执行是否成功、是否达到预期目标（比如代码是否能运行、接口是否能正常访问）
3. 反馈迭代：把执行结果反馈给规划模块和记忆模块 —— 执行成功就进入下一步；执行失败就触发反思机制，定位问题、修正计划、重新执行
4. 终止判断：自动判断用户的最终目标是否完成，完成就终止任务，给用户交付最终结果

典型示例

规划模块制定了「写 FastAPI 学生管理接口→启动服务→测试接口」的步骤：

1. 行动模块先调用代码生成工具，写出接口代码，保存到本地文件
2. 校验代码语法是否正确，有没有语法错误
3. 调用终端工具，安装依赖，启动 FastAPI 服务
4. 校验服务是否正常启动，端口是否可用
5. 调用接口测试工具，发送 POST/GET 请求，校验接口是否正常返回
6. 所有步骤都成功，就给用户交付「代码文件 + 访问地址 + 测试报告」；如果启动失败，就把报错信息反馈给规划模块，重新修改代码，再执行

二、四大组件的协同闭环：Agent 完整执行流程

四大组件不是孤立的，而是围绕 LLM 核心大脑，形成完整的执行闭环，这就是 Agent 工作的完整流程：

1. 目标输入：用户给 Agent 一个最终目标
2. 记忆检索：记忆模块检索和目标相关的历史信息、知识库内容，注入 LLM 上下文
3. 规划拆解：规划模块把目标拆解成可执行的步骤，制定执行计划
4. 行动执行：行动模块按照计划，调用对应的工具，执行具体动作
5. 结果校验：行动模块校验执行结果，判断是否成功
6. 反馈迭代：执行成功就进入下一步；执行失败就触发反思，修正计划后重新执行
7. 记忆存储：把本次任务的执行过程、结果、经验，存入记忆模块
8. 结果交付：所有步骤完成后，给用户交付最终结果

三、Agent 通用架构图

我给你两个版本：文本极简版（一眼看懂核心结构） + Mermaid 可运行版（复制就能生成高清架构图）

1. 文本极简版架构图

plaintext

┌─────────────────────────────────────────────────────────────────┐
│                        用户（目标输入/结果接收）                  │
└───────────────────────────────┬─────────────────────────────────┘
                                │
┌───────────────────────────────▼─────────────────────────────────┐
│                    大语言模型 LLM（核心大脑）                    │
│  （负责逻辑推理、指令理解、工具选择、反思优化、内容生成）        │
└───┬───────────────┬───────────────┬───────────────┬────────────┘
    │               │               │               │
┌───▼───┐      ┌───▼───┐      ┌───▼───┐      ┌───▼───┐
│ 规划  │      │ 记忆  │      │工具调用│      │ 行动  │
│Planning│      │Memory │      │Tool Use│      │Action │
└───┬───┘      └───┬───┘      └───┬───┘      └───┬───┘
    │               │               │               │
    └───────────────┼───────────────┼───────────────┘
                    │               │
              ┌─────▼─────┐  ┌─────▼─────┐
              │ 向量数据库 │  │ 外部工具/API │
              └───────────┘  └─────────────┘

2. Mermaid 可运行高清架构图

你可以把下面的代码复制到 Mermaid 在线编辑器、语雀、飞书文档里，直接生成高清的架构图，支持自定义修改。

生成后的架构图，会清晰展示四大组件的位置、协同关系、底层支撑，完全符合工业级 Agent 的通用架构。

四、总结

1. 四大组件的本质分工：规划模块决定「做什么」，行动模块决定「怎么做」，工具调用模块提供「能力支撑」，记忆模块提供「经验支撑」，四者围绕 LLM 大脑形成完整的自主闭环。
2. 和普通大模型的核心区别：普通大模型只有 LLM 本身，只能被动问答；而 Agent 靠四大组件，能主动完成复杂任务，实现从「问答工具」到「执行助手」的跨越。
3. 你的学习路径衔接：你之前学的 CoT/ToT、反思机制、Prompt 工程、API 调用、上下文管理，都是这四大组件的底层技术，现在你已经具备了从零搭建一个完整 Agent 的全部基础。