1.概念：

一个以大型语言模型为核心，具备自主理解、规划、记忆和工具使用能力，能够为了达成特定目标而与环境持续交互的计算实体，通俗一点来说就是“你告诉它做什么，它自己想办法怎么做”。

2.类别：

2.1基于智能与架构分类：

简单反射性、目标导向型、学习型

2.2基于大模型应用分类：

单agent系统、多agent系统

3.原理

AI Agent = LLM大脑 + 记忆 + 任务规划 + 工具

3.1大脑

核心驱动，通常是一个强大的LLM大模型（如GPT-4，千问）

3.2记忆

短期记忆

对话的上下文窗口（Context Window）

长期记忆

为了让agent能记住跨对话的信息，通常使用外部数据库，最常见的是向量数据库，用于存储和检索过去的检验

3.3规划器

负责任务分解、反思和决策。可以是简单的ReAct 模式，也可以是更复杂的如思维树。

3.3.1ReAct模式

1.概念：

ReAct模式（ReAct = Reasoning + Acting，推理 + 行动）

2.核心思想：

LLM 的思考过程（Reasoning）和外部工具行动（Act）写进 Prompt（提示词），交替执行，让大模型一边想、一边调用工具

3.区别：

纯 CoT（思维链） 只在模型内部推理，不与外部进行交互；ReAct 是「思考 → 动手调用工具 → 看结果 → 继续思考」的循环过程

4.核心循环：

Thought（思考） → Action（行动） → Observation（观察）

4.1Thought（思考）：LLM 用自然语言输出内心思考

例如：用户问现在最新的天气情况，我知识库里面并没有最新的数据，这个时候需要用到搜索工具查询了

4.2Action：输出结构化工具调用（工具名 + 参数），由程序执行工具

例如：参数,某年某月某月某地点最新时间的天气情况

4.3Observation：拿到工具返回的结果，作为环境反馈，塞回上下文

例：返回网页文本：某年某月某月某地点最新时间的天气是多云

然后回到 Thought，继续判断：

信息足够  → 生成最终答案，终止循环

信息不足  → 继续下一轮 Thought→Action→Observation

拿到错误结果  → 调整思路，换工具 / 换 query 问题重试

*注：思考不能只在脑子里，想到需要外部信息就去调用工具，拿到外部信息再继续推理

5.ReAct Prompt 模板

你是一个天气查询智能体，可以使用工具获取实时天气。
严格遵守输出格式，每一轮必须输出 Thought，Action，Action Input。
当信息足够回答用户问题时，输出 Final Answer，停止调用工具。

可用工具：
WeatherSearch[city]：查询指定城市最新实时天气，参数为城市名，例如 WeatherSearch["合肥"]

输出规则：
1. Thought：思考当前需要做什么，是否需要调用工具
2. Action：工具名称，只能写 WeatherSearch
3. Action Input：工具入参，写城市名称
4. 拿到Observation之后再继续思考，不要编造天气数据！

用户问题：{input}

开始：

交互示例

用户问题：合肥今天天气怎么样？

Thought: 用户想查询合肥今天实时天气，我的知识库没有实时天气，需要调用WeatherSearch工具查询合肥。
Action: WeatherSearch
Action Input: 合肥
Observation: 合肥，2026-09-29，晴，气温20~28℃，微风，空气质量良
Thought: 已经获取合肥今日完整天气信息，不需要再调用工具，可以整理答案。
Final Answer：合肥今日天气：晴，气温20~28℃，微风，空气质量良。

6.优缺点

优点：

1.直观，逻辑贴近人类解决问题的思路

2.推理和工具调用交织，减少幻觉

3.实现简单，是工业 Agent 最基础的底座

4.方便调试：Thought 可以打印出来，看模型到底怎么想的

缺点：

1.长任务容易迷失：多轮循环上下文越来越长，容易忘记最初目标

2.容易陷入死循环：反复调用同一个工具，没有新信息

3.没有顶层全局规划：属于增量式思考，不会先一次性写出完整任务计划（这点和 Plan-and-Solve 最大区别）

4.依赖 LLM 遵守输出格式（有时候模型不按规范写 Action，解析失败）。

对比：

• ReAct：边走边想，边推理边行动（增量式）
• Plan-and-Solve：先写完整全局计划，再一步步执行计划

3.4工具箱

Agent与外界交互的桥梁如：搜索引擎api、计算器、代码执行器、数据库查询接口、其他应用API

3.5工作原理

概括：Agent 是能自主感知目标、规划步骤、调用工具、迭代执行、反思纠错，直到完成任务的大模型系统，区别于普通大模型 “一问一答”，Agent 拥有自主循环执行能力。

1.基本组成 （五大核心模块）

1. 感知模块（Observation） 获取外部信息：用户指令、工具返回结果、环境状态（数据库查询、网页搜索、API 返回、代码执行结果），作为输入。
2. 大脑：大模型 LLM（推理核心） 负责理解目标、思考、决策、写计划、生成工具调用参数、反思结果。LLM 本身不会直接操作外部世界，只输出思考文本 + 工具调用指令。
3. 规划模块（Planning） 把复杂大任务拆解成多个子任务。 两种典型思路：

• 链式思考：一步步串行做（ReAct）
• 分层规划：先生成整体方案，再逐个执行子任务（Plan-and-Solve）

1. 工具集（Tools / Actions） Agent 能调用的外部能力，用来弥补大模型短板（实时信息、计算、读写文件、API、数据库、代码解释器）。 例如：搜索、计算器、OCR、向量库、爬虫、接口调用。
2. 记忆模块（Memory） 保存历史信息，是 Agent 持续工作的关键，分三类：

• 短时记忆：本轮对话 / 任务上下文（Prompt 窗口内），保存本次思考、工具返回、中间结果
• 长时记忆：向量数据库存储，跨任务持久记忆（过往经验、知识库）
• 反思记忆：记录失败案例，用来后续优化决策

2.执行循环：

1.ReAct 范式 

思考 (Thought) → 行动 (Action) → 观察 (Observation)，循环往复

Plan-and-Resolve（规划优先，适合复杂长任务） 

1. LLM 先一次性生成完整任务清单（整体规划）
2. 按顺序逐个执行子任务，每个子任务内部再走 ReAct 循环
3. 遇到失败可以动态修改计划

适合：写调研报告、数据分析、项目拆解；缺点：一开始规划容易脱离实际，需要动态修正。

3.Agent 反思（Reflection / Self-critique）高级能力 

高级 Agent 增加反思环节： 任务做完（或子步骤失败）后，让 LLM 回头评估：

• 刚才的步骤有没有错？
• 有没有遗漏信息？
• 工具参数是不是不对？
• 有没有更优路径？

反思结果存入记忆，后续同类任务可以避开坑。

4.主要呈现方式

1.对话式界面：这是最常见的形式，如高级的聊天机器人或AI助手。你在一个聊天框里与它对话，但它背后可以调用各种工具去完成你交代的任务。例如ChatGPT、豆包、千问。

2.自动化流程：这类Agent可能没有直接的用户交互界面，它更像一个在后台运行的脚本。你给它一个初始目标，它就开始“干活”，最终交付一个结果（如一份报告、一段代码、一个数据集）。Auto-GPT和BabyAGI是早期的代表

3.嵌入式助手：Agent被无缝集成到现有的软件中，作为辅助功能出现。最典型的例子就是编程软件中代码生成器的各类插件，它在你的代码编辑器中实时提供代码建议和补全，就像一个‘小助手’。

4.物理实体：当Agent的能力与机器人技术结合，它就有了物理形态。例如，能理解“帮我把桌子上的苹果拿过来”并执行的机器人，其背后的大脑就是一个LLM Agent。

5.多智能体环境：通常以模拟平台或协作平台的形式出现，用于研究和展示多个Agent如何互动。用户可以观察它们的行为，或者作为“上帝”角色设定规则和目标。

5.与传统软件的区别

传统软件

核心要素：软件工程师

机制：通过一系列预定义的指令、逻辑、规则和启发式算法将流程固定下来，以满足软件运行结果符合用户的预期，即用户按照指令逻辑一步一步达成目标

生产方式：人工为中心，AI辅助

AI Agent

核心要素：Agent

机制：将原本由人类主导的功能开发，初见迁移为以AI为主要驱动力。以大模型为技术基础设施，Agent为核心产品形态，变成目标导向的智能体自主生成。

生产方式：AI为中心，人工辅助

声明：本人自学 Java 后端 Agent 智能体的实践产物，参考资料均来自公开可访问的网络资源。如若涉及版权侵权，恳请联系本人，将第一时间进行删除、修正处理。