一文读懂AI Agent：从核心原理到关键组件

当你向智能体下达指令："帮我提取上个月的销售数据，对比市场同类产品，生成分析报告并抄送团队"。

十分钟后，智能体已完成：连接数据库、执行SQL分析、联网搜索竞品、绘制图表、生成图文报告，并等待人工确认发送。

如今，智能体（AI Agent）已能替代人工完成实际任务。本文将解析其核心机制与构成要素。

简言之，AI Agent是以大语言模型（LLM）为"大脑"，能自主感知环境、决策推理、调用工具并循环执行直至达成目标的系统。

区别在于行动力。聊天机器人止步于文字输出，Agent则能搜索、调用API、编写代码、读写文件、操作浏览器甚至委托其他Agent。如果把LLM比作被锁在房间里只能说话的绝顶聪明大脑，Agent框架就是给它装上感知、工具、记忆和规划，让它走出房间影响世界。

完整的Agent系统通常包含以下模块：

"注意"：LLM本身不执行动作，只负责"决策"。它输出"调用function_x，参数param1, param2"等指令，真正执行的是外层的"Agent运行时"。

Agent的"智能"并非玄学，而是多种可工程化的范式协同工作。从基础的推理循环，到工具、审批、技能及多Agent协作。

ReAct源自《ReAct: Synergizing Reasoning and Acting in Language Models》，是大多数Agent的推理骨架。核心思想是"想一步、做一步、看一眼结果"的三段式循环：

接着是Observation → 新的Thought → 新的Action → ... 循环直至完成。

停止规则：LLM不会主动说停止，目前有以下规则：

ReAct优点是灵活自适应，缺点是Token消耗大且易跑偏。这引出了互补范式。

若ReAct是"走一步看一步"，Plan-and-Execute则是"先规划再执行"。分为两个阶段：

重规划是关键区别。ReAct失败是局部重试，Plan-and-Execute是将"已完成步骤+失败信息+剩余计划"整体回传规划器进行全局修订。

工程上设总步数上限和重规划次数上限（如10步和3次）来防止无限重规划。

对比如下：

两者常结合使用。简单任务用ReAct，复杂任务先用Plan-and-Execute，执行时配合ReAct。

工具调用本质是："LLM输出结构化指令，运行时执行"。以Function Calling为例：

更专业地，它是LLM与外部系统的结构化动作接口：

"MCP的作用"

MCP，Model Context Protocol，是AI应用连接外部工具、数据源、上下文资源的开放协议标准。具体可参考大模型实战-MCP如何让AI连接外部世界

核心能力：

MCP规范明确MCP server暴露工具，客户端通过tools/list发现并调用，每个工具有唯一名称和schema。此外，MCP支持Resources（URI）和Prompts。

"对比"

AI自主性越强，越需要"人工确认"。高风险操作（如付款、删库）时触发Human-in-the-Loop（HITL）。

HITL依赖中断和状态快照。链路：检测高风险Action → 触发interrupt → 快照落盘 → 挂起 → 人工裁决（批准/修改/拒绝）→ 恢复状态继续。

常用Agent（如Cursor, CodeX）采用Plan-and-Execute搭配HITL。先规划，遇不确定或高风险步骤时等待确认。

仅推理和工具不够，需领域知识和流程规范。Agent Skills应运而生。

Skill本质是"文件夹"：必需SKILL.md + 可选scripts/、references/、assets/。精髓是"渐进式披露"三级加载。

机制将"通用Agent"变为"领域专家"，降低上下文占用。今年发展为agentskills.io开放标准，Claude全家桶与DeepAgents均支持。

"Skill VS MCP"

MCP提供连接外部服务能力，Skill提供程序知识（如何完成任务）。两者可结合使用：MCP提供工具访问，Skill教如何使用。

真正上线生产的Agent，依靠的是"不起眼但关键"的支撑组件。先看完整架构图。

Agent可编写执行代码，但需在沙箱中隔离运行，不影响宿主机。

生命周期：创建 → 写入 → 执行 → 取回结果 → 销毁。维度：临时文件系统、白名单网络、CPU/内存配额。

任务多轮长时间运行，需Session管理。生产标准：Redis存热路径工作态，RDBMS存冷路径完整记录。VectorDB做语义召回。

LLM上下文窗口有限。上下文工程是核心竞争力。Compaction思路：历史"高保真摘要"，再用"摘要+最近内容"重启窗口。

关键是保留什么（架构决策、Bug、细节），丢弃什么（冗余输出）。以Claude Code为例，保留关键信息，丢弃重复。

Claude Code分层策略：

提前触发压缩（如150K处），留足输出预算。

Anthropic将压缩下沉API：声明策略、按阈值触发、自动生成compactionblock，无需客户端写代码。

记忆分两层：短期（对话上下文）和长期（向量数据库+RAG）。落地需解决"记什么、怎么取、存哪、怎么加"。

业界按"寿命+用途"分四类，或类比操作系统虚拟内存。

写入时LLM门控做事实抽取。如Mem0提炼结构化事实，去重、冲突消解、时间推理，分域防止串味。ChatGPT用"Dreaming"进程合成记忆状态。

召回质量依赖"多信号融合"（向量+BM25+图谱），Rerank，分域过滤，时间排序。

Agent贯穿SDLC，工程师角色上移，组织趋向"小团队+多Agent"。数据分析领域，非技术专家也能自助构建工具。

能力越强风险越大。警惕失控：无人监督下的误判、目标错配导致高危行为（数据泄露）。攻击方利用自动化漏洞挖掘。过度依赖削弱主观判断力，引发就业冲击。

未来演进未知。可能成为组织效能杠杆，也可能放大治理盲区。如《终结者3》天网失控。需重新定义"可控"，界定边界。这是关乎人类命运的命题。