本文解析了AWS专家提出的AI智能体8层架构，包括基础设施、网络、协议、工具、认知、记忆、应用和治理层。通过TOGAF框架从业务、数据、应用和技术四维度解读各层职责，阐述AI智能体工作流程，为构建复杂实用的AI智能体提供清晰技术蓝图。

今天，我们来聊聊现在很火的AI“智能体”以及它的8层架构。

这8层架构是AWS 前产品负责人 GregCoquillo 在《The 8‑Layer Architecture of Agentic AI》中提出的，目的是为构建复杂、实用的AI智能体（Agent）提供一个清晰的蓝图。借助这个蓝图，我们就可以知道AI智能体内部究竟是如何 “运作”的，一起来学习一下吧！

这个图乍一看有点复杂，下面我们就用TOGAF的框架来解读一下。

TOGAF强调从业务驱动出发，设计涵盖业务、数据、应用、技术四个核心域的架构（4A架构）。解读这个智能体架构图，本质上就是理解一个复杂的“AI智能体”是如何被设计、构建以及如何运行的。

第一步：定义“业务”—— 智能体是什么？它能做什么？（TOGAF 业务架构视角）

• 智能体是什么？ 智能体就是一个能独立行动、完成任务的AI程序。它不像普通的聊天机器人那样只是回答你的问题，而是能主动去做事。核心能力是：感知信息（输入），运用“大脑”（认知）进行思考决策，调用“工具”（行动）执行任务，并记住过程和结果（记忆）。目标是独立或协作完成用户设定的目标。

• 它能做什么？（业务能力） 图中“应用层”清晰定义了其业务范围：

• 个人助理（安排日程、提醒）

• 娱乐伙伴（玩游戏、讲故事）

• 购物帮手（找商品、比价）

• 研究助手（查资料、写摘要）

• 自动化工具（处理邮件、流程）

• 写作协作者

• 集成在办公软件里的机器人

• 安全监控员

• …等等。

• 关键业务需求： 用户需要的是一个可靠、有用、安全、懂我、能完成复杂任务的助手。

第二步：设计支撑业务的“系统”—— 智能体的8层架构（TOGAF 应用/数据/技术架构视角）

Greg的八层架构，就是为满足上述“业务需求”而设计的完整技术解决方案蓝图。它清晰地划分了不同层次的责任（关注点分离），并定义了层与层之间的交互（接口和协议）。

我们逐层解读，看它们是如何协同工作的：

1.基础设施层：

• TOGAF视角： 技术架构的核心。提供基础计算能力。
• 职责： 提供智能体运行所需的“物理”基础：服务器(CPU/GPU/TPU)、云平台、网络、存储(S3/GCS)、数据库、任务调度器(Airflow)、负载均衡器、监控工具(Prometheus)。
• 为什么重要： 没有这层，智能体就是纸上谈兵。它决定了系统能承载多少智能体、运行速度多快、数据存哪里、是否稳定可靠。

2.智能体网络层：

• TOGAF视角： 介于技术架构（网络、存储）和应用架构（智能体交互）之间。

• 职责： 构建智能体世界的“基础网络”。定义：

• 通信基础： 智能体之间如何发现对方、建立连接、传递消息（A2A, AGP等协议）。

• 能力描述： 智能体如何告诉别人“我能做什么”（ACP）。

• 状态与记忆： 智能体当前的状态（在执行什么？）和记忆（短期/长期）如何存储、访问（嵌入存储 Pinecone/Weaviate）。

• 执行环境： 智能体代码在哪里安全运行。

• 动作接口： 提供调用底层工具和资源的标准API。

• 为什么重要： 使多个智能体协作成为可能，是构建“智能体生态”的基石。

3.协议层：

• TOGAF视角： 应用架构和技术架构的粘合剂。定义交互标准。

• 职责： 制定智能体世界运行的“规矩”和“语言”。核心是各种协议(Protocol)：

• A2A/ACP/ANP/AGP： 规范智能体之间如何沟通、描述能力、协商合作、接入网络。

• TAP/FCP： 规范智能体如何安全、一致地调用和使用各种“工具”（如浏览器、计算器、API）。

• OAP： (可能)规范更开放的互操作性。

• 为什么重要： 确保不同团队、不同技术开发的智能体和工具能够互相理解、无缝协作，避免混乱和兼容性问题。就像不同国家的人需要共同语言（如英语）或标准接口（如USB）才能交流合作。

4.工具与增强层：

• TOGAF视角： 应用架构的关键组成部分。扩展智能体的“行为能力”。

• 职责： 给智能体配备“工具箱”和“知识库”，让它不仅能“想”，还能“做”和“查”。

• 信息获取： 联网搜索(Browsing)、查询知识库、向量数据库检索(RAG)。

• 计算与执行： 安全运行代码(Sandbox)、执行计算(Calculator/Python REPL)。

• 环境交互： 调用外部API、操作软件(Environment Interfaces, Function Calling)。

• 插件集成： 方便接入更多第三方工具(Plugin Layer)。

• 为什么重要： 极大地扩展了智能体能处理的任务范围和深度。没有工具层，智能体只能空想，无法真正作用于现实世界或获取最新信息。

5.认知与推理层：

• TOGAF视角： 应用架构的核心“大脑”。实现核心业务逻辑。

• 职责： 智能体的“思考中枢”。负责：

• 规划(PL)： 分解复杂目标，制定步骤计划。

• 决策(DM)： 在多个选项中选择最优解。

• 推理®： 运用逻辑分析信息，得出结论。

• 目标管理(G)： 理解、跟踪、优先处理用户目标。

• 容错与学习： 处理错误(EH)、自我优化(SI)、从反馈中学习(Feedback Loop)。

• 适应性： 根据情况变化调整策略(Reactivity & Adaptation)。

• 伦理与约束： 确保行为符合规则和道德(Quardrails & Ethics)。

• 任务管理： 处理需要多步骤完成的任务(Multi-Step Task Handling)。

• 为什么重要： 这层决定了智能体是否聪明、是否可靠、是否能有效解决问题。它是智能体区别于简单自动化脚本的关键。

6.记忆与个性化层：

• TOGAF视角： 数据架构的核心。管理智能体的“知识”和“关系”。

• 职责： 存储和管理关于用户和交互历史的关键信息，实现个性化和连续性。

• 身份与档案： 用户是谁(ID)，基本资料(Profiles)。

• 交互历史： 对话记录(Conversation History)、使用过的工具(Tool Usage History)、达成过的目标(Goal History)。

• 记忆系统： 当前任务上下文(Working Memory)、长期积累的知识和经验(Long-Term Memory)。

• 用户理解： 用户偏好(Preference Engine)、行为模式(Behavior Modeling)、情感背景(Emotional Context)。

• 为什么重要： 让智能体“认识你”、“记住你”、“懂你”，提供个性化的、连贯的服务体验。没有记忆，每次交互都像第一次见面。

7.应用层：

• TOGAF视角： 业务架构与应用架构的交汇点。实现具体的用户价值。
• 职责： 智能体面向用户（或其他系统）提供的具体功能和服务。如：个人助理、购物代理、研究助手、自动化流程、协作写作工具、安全监控器等。
• 为什么重要： 这是用户直接感知和使用的部分。上面所有层次的努力，最终都是为了支撑这一层实现多样化的、有价值的应用场景。

8.运维与治理层：

• TOGAF视角： 贯穿所有架构域（业务/数据/应用/技术）的治理、风险与合规性(GRC)以及运维管理。

• 职责： 确保整个智能体系统安全、可靠、可控、高效、合规地运行。

• 部署与编排： 如何发布和更新智能体(Deployment, Pipelines)。

• 成本与效率： 监控和优化资源使用与花费(Cost, Optimization)。

• 可见性与监控： 洞察系统运行状态(Observability Tools, Logging & Auditing)。

• 开发效率： 提供便捷的构建方式(No-Code/Low-Code Builders)。

• 安全与合规： 执行数据隐私规则(Data Privacy Enforcement)、安全策略(Security & Watchdog Agents)、信任机制(Trust Frameworks)。

• 资源管控： 管理配额和预算(Resource Management)。

• 注册与管理： 智能体的目录和生命周期管理(Agent Registries & Discovery)。

• 策略执行： 确保智能体行为符合规定(Governance & Policy Engines)。

• 为什么重要： 保障系统长期健康运行。没有有效的治理和运维，系统可能不安全、不可靠、成本失控或违反法规，最终导致失败。

第三步：理解AI智能体是如何运行的

结合TOGAF以及GregCoquillo的智能体的8层架构，从全局视角来看AI智能体是这样进行工作的：

1.感知 & 目标输入： 用户通过“应用层”（如聊天窗口）给智能体下达任务或提出问题（业务需求）。

2.理解 & 情境化： “记忆与个性化层”提供用户背景、历史、偏好。“认知层”结合输入和记忆，理解任务意图和上下文。

3.规划 & 决策： “认知层”的规划、推理、决策模块开始工作。分解任务，制定步骤，思考需要什么信息或工具。

4.知识 & 工具调用：

• 需要信息？ -> 调用“工具层”的检索(RAG)、搜索(Browsing)或查询知识库。
• 需要计算？ -> 调用“工具层”的计算器或代码沙盒。
• 需要操作？ -> 通过“协议层”(FCP/TAP)调用“工具层”的功能或外部API。
• 需要协作？ -> 通过“协议层”(A2A/ACP)和“智能体互联网层”与其他智能体沟通。

5.执行 & 行动： 利用“工具层”获取结果或执行操作。结果返回给“认知层”。

6.处理 & 生成： “认知层”整合信息、工具结果，进行推理、判断，生成最终响应或执行下一步动作。

7.输出 & 反馈： 通过“应用层”将结果（文本、操作结果）返回给用户。同时将本次交互的关键信息（对话、结果、学到的经验）存入“记忆层”。

8.学习 & 优化： “认知层”的反馈和自我改进模块利用结果和用户反馈，调整未来行为（SI）。

9.全程保障： “运维与治理层”在整个过程中进行监控、记录、审计、执行策略、控制成本、确保安全合规。

搞懂这8层架构以及它们之间的关系，你就知道了为什么那些厉害的AI智能体能自己“思考”、自己“动手”、还能“记住你的偏好”——它背后不是在变魔术，而是靠这一层又一层扎实的模块堆起来的系统工程。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！