01：Agent架构及其核心组件

STC89C52RCQAQ

393人浏览 · 2026-05-07 14:15:52

STC89C52RCQAQ · 2026-05-07 14:15:52 发布

本文为学习记录：总结 Agent 的基本架构、核心组件、工程挑战与实践建议，侧重可操作的实现路线。

概述

Agent 是能感知环境、基于目标函数做决策并采取行动的系统。现代 Agent 通常以大语言模型（LLM）为决策中枢，通过工具（tools）与执行适配器与外部世界交互，借助记忆模块管理长期/短期状态，并由规划模块负责把复杂目标拆解为可执行步骤。

设计目标是让系统能在最小人工干预下：分解目标、调用外部能力、存取与管理状态、在循环中完成任务。

核心组件

1. LLM（决策核心）

角色：理解用户意图、评估信息、生成计划或决定调用哪个工具。
– 关键要点：System Prompt（岗位说明）决定 Agent 的行为边界与人格；模型选择需在推理能力、延迟与成本间权衡；在复杂任务中常采用大模型做关键决策，小模型做轻量处理。

关联：参见规划模块（规划依赖 LLM 的推理），以及工具系统（LLM 发起工具调用）。
LLM决策核心

2. 工具系统（外部能力）

角色：把“不可用的能力”封装为可调用接口（搜索、数据库、执行脚本、发邮件、浏览器操作等）。
设计原则：模型只输出要调用哪个工具与参数，实际执行由代码承担；工具描述要精确（名称、功能、参数、限制），否则容易被误用。
– 标准化：采用类似 OpenAI function-calling、MCP（Model Context Protocol）等 schema 有利于发现与互操作。

关联：与 LLM（#llm）配合，LLM 负责任务决策与工具选择；与 记忆系统（#memory）共享执行结果用于后续检索。

3. 记忆系统

分层：短期记忆（context window / 工作记忆）与长期记忆（向量数据库 + metadata）。
功能：保存中间结果、用户偏好、历史交互、流程模板等。
– 工程挑战：上下文窗口有限需摘要/压缩；长期记忆需筛选与衰减以避免噪音；检索策略与重要性评估影响效果。

关联：支撑 LLM 的决策（提供历史与偏好），并为规划模块提供上下文线索。

4. 规划模块

作用：将高层目标拆为步骤或子任务（Plan-and-Execute）或边执行边规划（ReAct / Reflection / Tree of Thoughts）。
– 技术：Chain-of-Thought（CoT）、Tree-of-Thoughts（ToT）、反思与多步采样；结合规则引擎或任务模板可提高稳定性。

关联：主要依赖 LLM（#llm）做推理与任务拆分，输出计划供执行循环使用；与 记忆系统（#memory）共享计划历史以便重排或回滚。

运行流程（高层伪代码）

伪代码说明 Agent 的典型控制流：规划 → 决策 → 执行 → 写入记忆 → 迭代。

public String agentRun(String userGoal) {
	List<String> plan = planner.plan(userGoal);
	List<Map<String, Object>> shortMemory = new ArrayList<>();
	for (String step : plan) {
		Action action = llm.decide(step, shortMemory, db.retrieve(step));
		if (action.getType().equals("tool_call")) {
			Object result = tools.execute(action.getName(), action.getArgs());
			Map<String, Object> entry = new HashMap<>();
			entry.put("step", step);
			entry.put("result", result);
			shortMemory.add(entry);
		} else if (action.getType().equals("final_answer")) {
			return action.getContent();
		}
	}
	return "未能完成任务";
}