AI Agent 核心组件
如果把一个 AI Agent 比作一家智能餐厅，它是怎么把你的需求变成菜品端上来的呢？这离不开它的四大核心组件：大脑、工具、记忆、规划。
- 大脑：负责听懂点单、判定目标、决定顺序，是餐厅的指挥中心。
- 工具：负责实际动手，包括切配、烹饪、采购等动作，把决策转成可执行操作。
- 记忆：负责记录顾客偏好、当前步骤、已处理内容，保证流程不混乱、不重复。
- 规划：负责把整道菜拆成步骤，确定先后关系，确保任务按流程推进到完成。
整体架构
下图展示了 AI Agent 五大层次组件及其协作关系。感知层接收外部输入，大脑负责理解与决策，规划层将任务分解，工具层负责执行，记忆层则贯穿始终，为所有环节提供状态支撑。
0、感知层 (Perception) —— 餐厅的前台
角色：负责接待顾客，理解来自外部世界的所有输入。
Agent 在行动之前，必须先"看到"和"听到"外部信息。现代 Agent 已经不限于纯文本输入，而是具备多模态感知能力：
- 文本输入：用户的自然语言指令、文档内容、代码。
- 图像 / 视频：截图、设计稿、图表，Agent 可以直接"看图"理解。
- 结构化数据：表格、JSON、数据库查询结果。
- 环境状态：在计算机操作类 Agent 中，当前屏幕状态、网页 DOM 结构等。
- 工具返回结果：上一步工具调用的输出，会作为新的感知输入进入下一轮循环。
感知层的输入经过整合，形成 Agent 的"当前上下文"，送入大脑进行理解和决策。
1、大脑 (Brain) —— 也就是大模型
角色：餐厅的主厨兼经理。
这是 Agent 最核心的部分（比如 GPT-4、Claude、DeepSeek、通义千问）。
- 它负责听懂你想吃什么（理解意图）。
- 它负责指挥其他人干活（决策）。
- 如果没有它，整个餐厅就瘫痪了。
大脑做的三件核心事
| 能力 | 说明 | 对应餐厅类比 |
|---|---|---|
| 意图理解 | 解析用户输入，明确目标是什么 | 听懂顾客点了什么 |
| 推理决策 | 综合上下文和记忆，判断下一步该做什么 | 主厨决定先处理哪道菜 |
| 工具调用判断 | 判断是否需要调用外部工具，选择哪个工具、传入什么参数 | 决定用哪口锅、让谁去买食材 |
2、工具 (Tools) —— 厨房里的设备
角色：厨具和帮手。
光有主厨（大脑）是不够的，还得有锅碗瓢盆才能做菜。对于 AI Agent 来说，工具就是能把决策转化为真实动作的执行单元。
工具可以按照用途分为四大类：
| 类别 | 常见工具 | 作用 |
|---|---|---|
| 信息获取 | 联网搜索、网页抓取、文档读取、数据库查询 | 获取 Agent 自身知识之外的实时或专业信息 |
| 计算执行 | 代码解释器、数学计算引擎、沙箱环境 | 处理需要精确计算或程序逻辑的任务 |
| 内容生成 | 图像生成、语音合成、文档导出 | 产出非文本形式的内容 |
| 系统交互 | API 接口、邮件、日历、文件操作、消息发送 | 与外部系统、服务和真实世界进行交互 |
常见工具举例：
- 联网搜索 信息获取（像去菜市场买新鲜食材）
- 代码解释器 计算执行（像精密的烤箱，处理复杂计算）
- 画图工具 内容生成（像摆盘师，负责美观）
- API 接口 系统交互（像外卖小哥，连接外部世界）
3、记忆 (Memory) —— 顾客记录本
角色：服务员的记性。
你肯定不喜欢每次去餐厅都要重新报一遍：我不吃香菜！
Agent 的记忆分为以下几种类型：
- 短期记忆（In-Context Memory）：即当前对话的上下文窗口。记住刚才你说了啥（比如你刚点了鱼，下一句说"要微辣"，它知道是指鱼）。受限于模型的上下文长度，通常在 8K 到 200K token 之间。
- 长期记忆（External Memory）：记住你的长期偏好（比如你是素食主义者，或者你的家庭住址）。通常通过向量数据库（如 Pinecone、Milvus、Chroma）实现持久化存储。
- 情节记忆（Episodic Memory）：对历史任务执行过程的记录，包括"上次遇到这种情况我是怎么处理的"，帮助 Agent 从过去的经验中学习。
- 语义记忆（Semantic Memory）：抽象的知识和事实，通常来自预训练阶段已经内化的内容，也可通过 RAG（检索增强生成）动态补充。
RAG：让 Agent 拥有"外挂知识库"
检索增强生成（Retrieval-Augmented Generation，RAG） 是目前最主流的长期记忆实现方案。其核心流程如下：
4、规划 (Planning) —— 烹饪流程单
角色：后厨的出餐 SOP。
当你点了一份佛跳墙，主厨不会乱做，而是会在脑子里生成一个清单：
- 先备料（鲍鱼、海参…）
- 再熬汤
- 最后慢炖
Agent 也是一样。当你给它一个复杂任务（比如"写一份竞品分析报告"），它会自己拆解：
- 第一步：去搜集竞品 A、B、C 的资料。
- 第二步：对比它们的价格和功能。
- 第三步：把对比结果写成文章。
- 第四步：检查一遍有没有错别字。
主流规划策略
规划策略决定了 Agent 如何"思考"再"行动"，不同策略的推理深度与适用场景不同：
| 策略 | 全称 | 核心思路 | 适用场景 |
|---|---|---|---|
| CoT | Chain-of-Thought | 在给出答案前，先一步步写出推理过程 | 数学推理、逻辑分析 |
| ReAct | Reasoning + Acting | 交替进行"推理"与"行动"，每次行动后根据结果再推理 | 需要工具调用的动态任务 |
| ToT | Tree-of-Thoughts | 同时探索多条推理分支，从中选择最优路径 | 复杂决策、创意任务 |
| Reflection | 自我反思 | 任务完成后，Agent 对自身输出进行批判性审查并修正 | 代码生成、长文写作 |
5、Agent 运行循环 (Agent Loop)
以上各组件并非孤立存在，它们组成一个持续迭代的感知—思考—行动—观察闭环，这就是"Agent Loop"。Agent 不断重复这个循环，直到任务完成或达到终止条件。
这个循环让 Agent 具备了在失败时自我纠错的能力：如果某一步工具调用返回了错误或意外结果，"观察"阶段会将这个信息反馈给大脑，大脑在下一轮"思考"时就会调整策略。
总结
当你对 Agent 说：帮我查一下明天北京的天气，如果是雨天，帮我写个提醒发给小王。
Agent 内部是这样运转的：
- 感知层：接收到自然语言指令，识别出关键实体"北京"、"明天"、"小王"。
- 大脑：听到指令，分析出两个条件任务：查天气，若下雨则发提醒。
- 规划：先查天气 → 判断是否下雨 → (如果是) 写提醒 → 发送。
- 工具：调用"天气查询工具"，获取到结果——明天有雨。
- 记忆：去通讯录（记忆库）里查询"小王"的联系方式。
- 工具：调用"发送消息工具"，把提醒发出去。
- 观察：确认消息发送成功，任务完成，循环终止。
运行过程示意图：
五大组件一览
| 组件 | 餐厅类比 | 核心职责 | 关键技术 |
|---|---|---|---|
| 感知层 | 前台接待 | 接收多模态输入，构建上下文 | 多模态模型、OCR、ASR |
| 大脑 | 主厨兼经理 | 理解意图、推理决策、调用指令 | LLM、Function Calling |
| 规划 | 出餐 SOP | 任务分解、步骤排序、自我反思 | ReAct、CoT、ToT、Reflection |
| 工具 | 厨具与帮手 | 执行具体操作，连接外部世界 | 搜索 / 代码 / API / 文件系统 |
| 记忆 | 顾客记录本 | 管理上下文、存储长期知识 | 向量数据库、RAG、上下文窗口 |