Agent意为代理, 我认为实质上就是对LLM的自主代理
我理解中的Agent就是一个能够自主规划的AI系统，它所具备区别于LLM的区别在于Agent的机制：自主规划 -> 动态执行 -> 感知结果并作出调整。

---

1. 对Agent 的第一层理解：它不是“会调用工具”这么简单

刚接触Agent的时候，会下意识把它理解成：

• 能联网搜索的大模型
• 能调用 API 的大模型
• 能写代码的大模型

这些说法都对，但都不完整。

因为如果只是“调一个工具，然后返回结果”，那它更像是一次工具调用，不是真正的 Agent。
真正的 Agent 关键在于它有一个闭环：

目标 → 拆解 → 执行 → 观察结果 → 调整下一步

我的理解是： 它不是一次性回答，而是持续完成任务。

---

2. 为什么 LLM 不等于 Agent

从能力上看，LLM 很强，但它有几个天然短板：

2.1 它不会主动做事

你问它，它答你；你不问，它不会自己推进任务。

2.2 它缺少持续状态

一次调用结束后，很多信息就“断掉”了。
如果没有额外的记忆设计，它很难记住：

• 任务做到哪一步了
• 用户偏好是什么
• 上一次失败的原因是什么

2.3 它不会真正行动

LLM 本身输出的是文本。
而 Agent 要做的是把“文本建议”变成“真实动作”：

• 查询数据库
• 调接口
• 执行代码
• 发送邮件
• 访问网页
• 触发工作流

所以，LLM 是核心大脑，Agent 是带执行链路的大脑系统。

---

3. 怎么描述 Agent 的本质

我理解中的Agent就像下面的这句话：

Agent 是一个能在约束条件下，自主完成多步任务的 AI 系统。

这里面有几个词很关键：

自主：不是每一步都要人手把手喂指令。
多步任务：不是一次问答就结束。
约束条件：Agent 不是完全自由，它要在权限、工具、规则里行动。
完成任务：不是“说得像”，而是“真的做完”。

这也是为什么现在很多 Agent 设计，都会强调：

• 规划
• 工具调用
• 记忆
• 反思
• 协作
• 监控与评估

---

4. Agent 的核心闭环：感知 → 规划 → 行动 → 再感知

4.1 感知

Agent 先接收外部输入，比如：

• 用户需求
• 工具返回结果
• 环境变化
• 任务进度

4.2 规划

Agent 会把目标拆成小步骤。
比如“帮我整理竞品分析报告”，它可能会想：

1. 先搜资料
2. 再提炼关键维度
3. 再对比优劣
4. 最后组织成报告

4.3 行动

规划之后，它会调用工具执行：

• 搜索引擎
• 数据库
• 代码执行器
• 邮件接口
• 业务 API

4.4 再感知

执行完不是结束，而是继续观察：

• 成功了吗
• 结果对不对
• 要不要重试
• 计划要不要改

这一步很重要。
没有“再感知”和“纠错”，很多系统只是自动化脚本，不算真正的 Agent。

---

5. Agent 的基本架构

Agent 架构，通常分为以下 4 个核心块：

5.1 大模型：负责理解与决策

它负责理解任务、做推理、决定下一步做什么。

5.2 工具层：负责把想法变成动作

工具可以是：

• 搜索
• 检索
• 数据库
• 代码执行
• 外部 API
• 浏览器
• 日历、邮件、IM 系统

5.3 记忆层：负责保持上下文

通常可以分成两类：

• 短期记忆：当前任务执行过程中的状态
• 长期记忆：跨任务的偏好、历史信息、知识沉淀

5.4 控制层：负责调度与约束

这一层决定：

• 什么时候调用哪个工具
• 什么时候停止
• 什么时候让人确认
• 什么时候回滚
• 什么时候换策略

---

6. Workflow、Agent、Tools区别与联系

感觉这个地方容易搞混，或者说没法很好的说清楚。

6.1 Tools

Tools 是能力本身。
比如搜索、发邮件、查天气、执行 SQL。

6.2 Workflow

Workflow 是流程编排。
它更像“先做 A，再做 B，再做 C”的固定流程。

6.3 Agent

Agent 则更偏向“自己决定下一步怎么做”。
它不是死板地按流程走，而是根据中间结果动态调整。

Tools 是手段，Workflow 是流程，Agent 是会选择流程和手段的执行者。

---

7. 常见 Agent 设计范式

7.1 ReAct

ReAct 的核心是 Reasoning + Acting。
先思考，再行动，再根据结果继续思考。

它适合那种：

• 需要边查边改
• 信息不确定
• 任务路径不稳定

7.2 Plan-and-Execute

先规划，再逐步执行。
适合长任务、复杂任务、任务拆解很明显的场景。

7.3 Reflection

执行完后，回头检查自己哪里做得不够好。
它的价值在于：

• 降低低级错误
• 提高答案稳定性
• 让系统有“自我修正”的能力

7.4 Multi-Agent

多个 Agent 分工合作。
比如一个负责检索，一个负责总结，一个负责审校。

我的感觉是：
单 Agent 更轻、更简单；
Multi-Agent 更像团队，但复杂度也更高。

9. 吴恩达关于 Agent 的一个观点

吴恩达在谈到 **agentic workflows** 时说过，不要看一个系统是不是Agent，而是看有多agentic。

---

参考资料

• 小林笔记
• OpenAI 官方文档：Agents / Agents SDK
• Andrew Ng 关于 agentic workflows 的相关公开发言