AI Agent 核心组件

一个 AI Agent 为什么能够理解任务、调用工具，并根据执行结果继续工作？关键在于它内部的模型、工具、记忆和规划等模块，以及负责组织这些模块运行的执行逻辑。

例如，让一个 Agent 完成"读取 Excel 销售数据，生成统计图表并保存报告"，整个过程可能涉及：

1. 理解用户的任务要求，确定需要处理的文件。
2. 读取 Excel 数据，识别表格结构。
3. 规划分析步骤，确定需要计算的指标。
4. 调用 Python 等工具处理数据、生成图表。
5. 检查执行结果，保存报告并返回文件位置。

这些操作并不完全由大语言模型直接完成，而是由模型、外部工具和执行程序共同实现。

理解 AI Agent 的核心组件，有助于我们进一步了解 Agent 的工作原理，以及如何开发自己的 Agent 应用。

AI Agent 整体架构

从功能上看，一个典型的 LLM Agent 可以分为以下几个部分：

组件	主要职责
感知（Perception）	接收用户输入、环境信息和工具返回结果。
模型（LLM）	理解任务、分析信息并决定下一步操作。
工具（Tools）	执行搜索、文件操作、代码运行和 API 调用等任务。
记忆（Memory）	保存对话上下文、任务状态和需要长期使用的信息。
规划（Planning）	拆解复杂任务，确定执行步骤，并根据结果调整计划。

需要注意，这五个部分是一种便于理解的功能划分，并不代表所有 Agent 都必须采用相同的架构。

简单的 Agent 可能只需要一个大语言模型和几个工具；复杂的 Agent 则可能增加长期记忆、任务调度、多 Agent 协作和运行状态管理等能力。

---

1、感知（Perception）

感知负责接收 Agent 在执行任务时需要处理的信息，包括用户输入、文件内容、外部数据以及工具返回结果。

对于传统的文本 Agent，输入通常是文字；对于多模态 Agent，输入还可以包括图片、声音、视频等内容。

常见的输入类型包括：

• 文本：用户指令、聊天记录、文档和程序代码。
• 图像：截图、照片、设计稿等。
• 语音：用户的语音指令或音频内容。
• 结构化数据：JSON、CSV、数据库查询结果等。
• 环境信息：浏览器页面、文件目录、软件运行状态等。
• 工具结果：搜索结果、代码执行输出、API 响应和错误信息。

例如，一个浏览器 Agent 在执行"打开网页并填写表单"时，可能需要读取网页 DOM 结构或者页面截图，判断输入框和按钮的位置，再决定下一步操作。

不同 Agent 获取环境信息的方式并不相同。有些通过 API 获取结构化数据，有些通过屏幕截图和计算机操作工具与软件交互。

感知获得的信息会被整理为模型可以处理的上下文，供后续推理和决策使用。

2、模型（LLM）

大语言模型（Large Language Model，LLM）通常是 Agent 的核心推理组件，主要负责理解任务、分析上下文以及决定下一步需要采取的操作。

常见的模型包括 GPT、Claude、DeepSeek、Qwen 等系列模型。

在 Agent 系统中，模型主要承担以下工作：

• 理解任务：识别用户希望完成什么，以及任务有哪些约束条件。
• 分析信息：综合当前上下文、历史记录和工具返回结果进行判断。
• 选择操作：确定应该直接回答，还是调用某个外部工具。
• 生成参数：根据工具定义生成调用时所需的参数。
• 处理反馈：读取执行结果，判断是否需要继续操作。

模型如何决定调用工具？

例如，用户要求：

查询北京明天的天气，如果有雨就提醒我带伞。

模型可以识别出任务包含两个步骤：首先获取天气预报，然后根据天气情况判断是否生成提醒。

但是，模型本身并不能凭空获取可靠的实时天气数据，它需要调用天气查询工具。

模型根据工具的名称、参数说明和当前任务生成调用请求，由 Agent 的执行程序完成实际调用。

工具返回天气数据后，模型再根据结果决定后续操作。

因此，模型主要负责判断和生成调用指令，真正执行操作的是外部程序或工具。

说明：模型能力会影响 Agent 的任务理解和决策质量，但 Agent 的实际表现还与工具质量、系统提示词、执行环境、权限控制和结果验证机制等因素有关。

3、工具（Tools）

工具是 Agent 与外部环境交互的重要方式。

大语言模型擅长理解和生成内容，但实际工作往往涉及访问文件、查询数据库、运行程序或者操作其他软件，这些都需要借助外部工具。

例如，Agent 要分析 Excel 文件，就需要具备文件读取和数据处理能力；要发送邮件，则需要能够访问相应的邮件服务。

常见工具可以分为以下几类：

工具类型	常见工具	用途
信息获取	搜索引擎、网页读取、数据库查询	获取外部信息和业务数据
代码执行	Python、Shell、代码沙箱	数据分析、计算和程序执行
文件处理	文件读取、文件写入、文档解析	整理文档、处理表格和生成文件
内容生成	图片生成、语音合成、文档生成	生成图片、音频和其他文件
系统交互	API、邮件、日历、浏览器操作	与外部应用和业务系统交互

函数调用（Function Calling）

Function Calling 是 Agent 调用外部工具的一种常见实现方式。

开发者先定义工具的名称、功能以及需要的参数，模型根据用户任务选择合适的工具，并生成结构化的调用参数。

例如，开发者定义一个天气查询工具：

{
    "name": "get_weather",
    "description": "查询指定城市的天气",
    "parameters": {
        "city": "string",
        "date": "string"
    }
}

当用户要求查询北京明天的天气时，模型可能生成类似以下的工具调用参数：

{
    "city": "北京",
    "date": "2026-10-11"
}

以上日期仅用于演示。实际应用中，应根据当前日期和用户所在时区计算查询日期。

Agent 的执行程序接收到调用请求后，调用对应的天气 API，并将查询结果返回给模型。

整个过程可以概括为：

用户提出任务
    ↓
模型选择工具
    ↓
生成调用参数
    ↓
程序执行工具
    ↓
返回执行结果
    ↓
模型继续处理

需要注意，模型生成工具调用请求，并不代表工具已经执行成功。实际执行、权限检查、异常处理以及结果返回，通常由 Agent 的运行环境负责。

除了 Function Calling，开发者也可以通过 MCP（Model Context Protocol）等方式集成外部工具和数据源。

4、记忆（Memory）

Agent 在执行任务时，需要保留一定的上下文信息，才能知道当前任务进行到了哪一步，以及之前的操作得到了什么结果。

这种信息保存和使用机制通常称为记忆（Memory）。

根据保存时间和用途，可以将记忆分为以下几类。

短期记忆

短期记忆主要保存当前对话和正在执行的任务信息。

例如，用户先说"帮我分析这个 Excel 文件"，随后又说"把结果生成柱状图"，Agent 需要结合之前的上下文，才能知道第二条指令对应哪份数据。

短期记忆通常依赖模型上下文窗口或应用维护的会话状态。

由于模型上下文窗口存在长度限制，长时间运行的 Agent 可能需要对历史信息进行截取、摘要或外部存储。

长期记忆

长期记忆用于保存需要跨会话使用的信息，例如用户偏好、历史任务记录、项目资料等。

常见的实现方式包括：

• 使用数据库保存用户偏好和历史记录。
• 使用文件保存任务执行结果和项目状态。
• 使用向量数据库存储可以进行语义检索的信息。
• 通过检索机制在需要时读取相关历史内容。

长期记忆不一定需要向量数据库。对于用户配置、任务状态等结构化数据，普通关系型数据库或键值数据库往往更直接。

情节记忆与语义记忆

在一些 Agent 设计中，还会根据记忆内容进行进一步分类：

• 情节记忆（Episodic Memory）：保存过去执行过的任务、操作过程和结果。
• 语义记忆（Semantic Memory）：保存事实、概念、规则和其他知识信息。

例如，记录"上次生成报告时使用了哪些参数"属于任务经验；保存"项目采用 PostgreSQL 数据库"属于项目知识。

这些分类主要用于帮助开发者设计记忆系统，并不意味着所有 Agent 都必须分别实现独立的记忆模块。

RAG 与 Agent 记忆

RAG（Retrieval-Augmented Generation，检索增强生成）是一种在模型生成回答之前，先从外部数据源检索相关内容，再结合检索结果生成回答的技术。

RAG 常用于让 Agent 查询内部文档、知识库、历史资料等信息。

例如，用户询问"公司的报销制度是什么"，Agent 可以先从企业知识库中查找相关文档，再根据检索内容回答。

一个典型的 RAG 流程如下：

用户提问
    ↓
查询知识库
    ↓
检索相关内容
    ↓
将内容加入模型上下文
    ↓
生成回答

RAG 可以通过向量检索、关键词检索或者混合检索等方式实现，并不局限于向量数据库。

注意：RAG 并不等同于 Agent 的长期记忆。RAG 主要解决外部信息检索和利用的问题，而长期记忆还涉及信息保存、更新、过期管理和跨任务使用等。

在实际开发中，RAG 可以作为 Agent 访问长期知识或历史信息的一种方式。

---

5、规划（Planning）

规划负责将用户提出的任务转化为可以执行的操作步骤。

对于简单任务，例如"查询今天的天气"，Agent 可能只需要调用一次工具。

对于复杂任务，例如"生成一份竞品分析报告"，通常需要多个步骤才能完成。

例如：

1. 确定需要分析的产品及比较指标。
2. 查找产品价格、功能和技术资料。
3. 整理不同产品的差异。
4. 生成对比表格和分析内容。
5. 检查引用来源和最终结果。

Agent 可以先生成完整计划，也可以在执行过程中逐步决定下一步操作。

常见的推理与规划方法

在 Agent 开发中，经常会看到 CoT、ReAct、ToT、Reflection 等概念。

这些方法关注的重点不同，有些用于组织模型推理，有些用于结合工具执行，还有些用于检查和修正结果。

方法	基本思路	适用场景
CoT	Chain-of-Thought，将复杂问题分解为中间推理步骤	数学、逻辑和复杂问题分析
ReAct	结合推理与工具操作，根据执行结果继续决策	搜索、工具调用、多步骤任务
ToT	Tree of Thoughts，探索和评估多个候选推理路径	复杂问题求解、方案探索
Reflection	根据反馈检查并修正已有结果	代码修改、内容检查、任务优化

需要注意，CoT、ToT、ReAct 和 Reflection 并不是同一层级的技术，也不一定需要同时使用。

实际开发时，应根据任务复杂度选择合适的方法，避免为简单任务设计过于复杂的执行流程。

ReAct 执行示例

假设用户要求："查询北京明天的天气，如果下雨就发送提醒。"

Agent 可以按照以下流程执行：

1. 分析任务，确定需要先查询天气。
2. 调用天气 API 获取预报数据。
3. 读取天气查询结果。
4. 判断是否满足下雨条件。
5. 如果满足条件，并且具有发送权限，则调用消息工具发送提醒。
6. 检查消息工具的执行结果，并向用户反馈。

如果天气 API 返回错误，Agent 可以在允许的重试范围内重新查询，或者提示用户查询失败。

这类根据工具反馈调整后续操作的方式，是 ReAct 模式的重要特点。

6、Agent 运行循环（Agent Loop）

感知、模型、工具、记忆和规划不是彼此独立运行的。Agent 通常需要通过一个执行循环，将这些能力连接起来。

这个执行循环通常称为 Agent Loop。

它的基本过程可以概括为：

接收任务
    ↓
分析当前状态
    ↓
决定下一步操作
    ↓
调用工具
    ↓
获取执行结果
    ↓
判断任务是否完成
    ↓
未完成则继续执行
    ↓
完成后输出结果

例如，一个编程 Agent 接到"修复项目中的登录错误"任务后，可能会依次执行：

1. 读取相关源代码。
2. 分析错误原因。
3. 修改代码文件。
4. 执行自动化测试。
5. 根据测试结果决定是否继续修改。
6. 测试通过后，整理修改内容并返回结果。

如果测试失败，Agent 可以读取错误信息，再次分析和修改代码。

但这种反馈机制不代表 Agent 一定能够自行解决所有问题。复杂错误可能需要人工介入。

Agent Loop 何时结束？

Agent 不应该无限循环。实际开发时，需要设置合理的终止条件。

常见的终止条件包括：

• 任务完成：已达到用户要求的目标。
• 达到执行限制：超过最大执行步数、运行时间或调用预算。
• 执行失败：遇到无法恢复的错误。
• 需要人工确认：某些操作需要用户批准才能继续。
• 用户主动停止：用户取消当前任务。

除此之外，还应根据任务类型设置权限检查、错误重试以及结果验证机制，避免 Agent 重复执行错误操作。

---

一个完整的 Agent 执行示例

前面分别介绍了 Agent 的各个组件。接下来通过一个完整实例，了解这些组件如何协同工作。

假设用户提出以下任务：

帮我查询明天北京的天气，如果有雨，就给小王发送一条带伞提醒。

整个任务可以分为以下几个阶段：

阶段	执行内容
感知	接收用户指令，识别城市、日期、天气条件和接收人。
模型	理解任务目标，判断需要查询天气和发送消息。
规划	确定先查询天气，再判断是否发送提醒。
工具	调用天气查询 API，获取天气预报。
记忆与状态	保留任务要求和查询结果，按需读取授权通讯录中的联系人信息。
工具	满足下雨条件时，调用消息工具发送提醒。
结果检查	根据消息工具的返回状态，判断是否发送成功。

这个例子包含了 Agent 的基本工作流程：理解任务、规划操作、调用工具、获取反馈，并根据结果决定是否继续执行。

实际应用中，还需要考虑联系人是否存在、消息工具是否具有发送权限、天气查询是否成功等情况。

对于向外部发送消息等操作，可以根据应用的安全要求，在执行前增加用户确认步骤。

总结

AI Agent 并不是单独依靠一个大语言模型完成全部工作，而是通过模型、工具、记忆、规划以及执行控制逻辑共同完成任务。

从开发角度看，各部分可以简单理解为：

• 感知：获取任务和环境信息。
• 模型：理解信息，判断下一步操作。
• 工具：执行具体操作，与外部系统交互。
• 记忆：管理任务状态、上下文和历史信息。
• 规划：组织执行步骤，根据反馈调整任务。

其中，Agent Loop 负责组织这些组件，使 Agent 能够持续执行，直到任务完成或者满足其他终止条件。

如果只是开发一个简单的 Agent，可以先从大语言模型 + 工具调用 + 执行循环开始，再根据实际需求增加长期记忆、复杂规划和其他能力。

在设计 Agent 时，除了关注模型能做什么，还需要考虑工具是否可靠、权限是否合理，以及如何判断任务真正完成。这些因素直接影响 Agent 在实际项目中的稳定性和安全性。

相关资料：

• Microsoft Agent Framework 文档
• ReAct：结合推理与行动的语言模型研究