Agent 总览笔记
原 旧稿(前半理论部分)与 旧稿 的重新整理版本,提炼为 Agent 的能力模型、系统结构、技术栈全景、误区与判断框架。旧稿目录已清理,当前以本文为准。
一、Agent 的核心定义
一个优秀的 Agent,本质上是一个能够在明确边界内,稳定地理解任务、拆解任务、调用工具执行任务、校验结果并持续推进到完成的智能系统。
关键词不是"会说",而是会做、做对、做稳。
四个核心维度:
- 理解力:能正确识别目标、约束、边界、成功条件
- 执行力:能拆解任务、合理编排工具、稳定推进
- 稳定性:可预测、可约束、可复现
- 可治理性:成本可控、行为可控、异常可恢复
二、八大核心能力维度
1. 目标理解能力
Agent 首先要能正确理解:
- 用户真正要什么
- 任务边界是什么
- 哪些该做,哪些不该做
- 输出标准是什么
- 成功条件是什么
差的 Agent 会立刻开始乱写代码;好的 Agent 会先识别范围、约束、产出形式。
优秀 Agent 的第一特征,不是做得快,而是"不会一开始就做错方向"。
2. 任务拆解能力
复杂任务几乎都不能一步完成。优秀 Agent 要能把大任务拆成:
- 阶段 → 模块 → 子任务
- 执行顺序与依赖关系
以"开发一个系统"为例,至少要拆成:需求理解、约束识别、数据建模、接口设计、页面设计、权限设计、日志与异常处理、测试策略、部署方案。
不会拆解的 Agent 容易漏做关键步骤、顺序混乱、返工很多。
把模糊问题结构化的能力。
3. 规划与执行能力
会拆解还不够,还要会执行。需要知道:
- 当前该先做什么
- 哪一步必须依赖前一步
- 哪些可以并行
- 什么时候该停止扩写
- 什么时候该回头修正
即 plan → act → observe → adjust 的基本能力。
4. 工具使用能力
真正有用的 Agent 几乎一定不是纯聊天模型,而是 LLM + Tools。需要知道:
- 什么时候该搜索文档
- 什么时候该读文件 / 查数据库 / 调 API / 跑代码
- 什么时候不该乱调用工具
工具能力的关键是:
- 选对工具、用对时机、拿到结果后会解释、知道结果是否可信
不是"工具越多越强",而是"工具编排合理"。
5. 记忆与上下文管理能力
很多 Agent 失败不是因为模型不聪明,而是上下文管理太差。需要管理三类上下文:
- 当前任务上下文:本轮对话、当前文件、当前目标
- 长期偏好与约束:用户偏好(专业表达、稳定性、健壮性)、常用技术栈
- 过程状态:哪些步骤已完成、哪些未完成、当前卡在哪、下一步该继续什么
没有状态感就会重复问同一个问题、忘记之前的约束、做着做着偏题。
上下文压缩、状态记录、约束继承、阶段记忆的能力。
6. 结果校验与自我纠错能力
这是区分"能跑"和"好用"的关键层。需要至少五种校验:
- 逻辑校验:前后是否矛盾、是否漏项
- 格式校验:是否符合指定格式、规范、模板
- 约束校验:有没有违反用户说过的要求
- 工具结果校验:返回结果是否为空、是否异常、是否可信
- 业务校验:结果是否真正解决了用户问题
会质疑自己的输出。
7. 稳定性与可控性
工程角度最重要的一层。Agent 再聪明,如果结果忽好忽坏,就很难投入使用。需要具备:
- 输出风格稳定
- 遵守边界稳定
- 多轮任务中行为稳定
- 面对异常输入不容易崩
- 对不确定问题会明确说明
- 不会乱编
- 不会擅自扩大任务范围
可预测、可约束、可复现。
8. 成本意识与效率意识
Agent 不是无限资源的。需要平衡:
- token 成本
- 推理成本
- 工具调用成本
- 响应延迟
- 用户等待体验
成熟 Agent 的平衡策略:
- 简单任务快处理
- 复杂任务深处理
- 高风险任务严校验
- 重复任务模板化
三、系统结构(七层)
从工程角度看,优秀 Agent 往往不只是一个 prompt,而是几层组合:
| 层 | 职责 |
|---|---|
| 角色层 | 定义它是谁、负责什么、不负责什么(如代码 Agent / 文档 Agent / 数据分析 Agent / 审批流 Agent) |
| 目标层 | 明确输入、输出、成功标准、边界条件 |
| 规划层 | 决定任务如何拆解、如何排序、是否需要中间检查点 |
| 执行层 | 调用模型、工具、函数、数据库、文件系统等 |
| 校验层 | 检查结果质量、完整性、合法性 |
| 记忆层 | 保存偏好、约束、任务状态、历史结论 |
| 安全层 | 防止越权、误操作、胡编、泄露敏感信息 |
很多人做 Agent 效果不好,其实只是写了一个"长 prompt",但没有把 Agent 当系统来设计。
四、技术栈全景(2026 年初)
1. 学习类项目(适合读代码学习)
| 项目 | 说明 |
|---|---|
| hello agent | 入门级,比较基础,适合扫盲 |
| ai-engineering-hub | 收录大量 AI 项目 |
| OpenManus | 体验过 Manus 后可深入研究 |
| deer-flow | 自治理 AI 框架 |
| mini-agent | 代码量不大,适合研究架构 |
| GenAI_Agents | 教程性质 |
| smolagents | HuggingFace 出品 |
| 500-AI-Agents-Projects | 收录 500+ 行业实例 |
2. 开发框架(按语言 / 生态)
| 框架 | 说明 |
|---|---|
| adk-python | Google Agent Development Kit |
| agno | 轻量 Agent 框架 |
| pi | JS 技术栈 |
| langchain | 老牌 LLM 应用框架 |
| [langraph | 基于 LangChain 的图编排 |
| llamaindex | 偏 RAG / 数据接入 |
| autogen | 微软出品,多 Agent 对话 |
| agentscope | 阿里出品 |
3. 可视化工具链
- n8n:通用自动化工作流
- Dify:LLM 应用可视化编排
- FastGPT:知识库 + Agent 编排
- Langflow:LangChain 可视化
4. 设计模式要点
设计 Agent 时需要考虑的几个关键面:
- 检索部分:RAG、GraphRAG、多路召回
- 设计模式:ReAct、ReWOO、Reflexion
- 工具调用:Tool、Skills(见 Skills笔记)
- 记忆:MemoryBank、Mem0
五、常见误区
- 以为 prompt 越长越好 —— 重点是结构清楚、约束明确、优先级明确。
- 以为模型越强 Agent 就越强 —— 很多时候决定效果的是流程、工具、记忆、校验机制。
- 以为能回答问题就是 Agent —— Agent 强调"完成任务",不是"回答得像懂了"。
- 以为多智能体一定更强 —— 多 Agent 只有在任务可分工、可校验时才有价值,否则只增加成本。
- 忽视边界控制 —— 没有边界的 Agent 容易变成"看起来积极,实际不可靠"。
六、6 问判断框架
评估一个 Agent 是否优秀,直接看这 6 个问题:
- 它是否真正理解了目标?
- 它是否把任务拆清楚了?
- 它是否会合理调用工具?
- 它是否会检查自己的结果?
- 它是否能记住约束并持续推进?
- 它的结果是否稳定、可控、可复用?
只要这 6 点里有 2~3 点很弱,这个 Agent 基本就不算成熟。