跳到主要内容

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
smolagentsHuggingFace 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-pythonGoogle Agent Development Kit
agno轻量 Agent 框架
piJS 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​

  1. 以为 prompt 越长越好 —— 重点是结构清楚、约束明确、优先级明确。
  2. 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。
  3. 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"。
  4. 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。
  5. 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:

  1. 它是否真正理解了目标?
  2. 它是否把任务拆清楚了?
  3. 它是否会合理调用工具?
  4. 它是否会检查自己的结果?
  5. 它是否能记住约束并持续推进?
  6. 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。