本文深入浅出地讲解了Agent的概念，对比了大模型与Agent的区别，指出大模型无法感知和改变外界环境的局限性。通过介绍工具如何赋予大模型感知和行动能力，阐述了Agent的诞生过程。文章以Cursor和Manus为例，展示了Agent在不同领域的应用。此外，重点解析了ReAct运行模式，并解释了系统提示词在Agent运作中的关键作用。最后，简要介绍了Plan-and-Execute等其他运行模式，为读者全面呈现了Agent的工作原理和应用场景。

1 大模型很聪明，但它"看不见"也"摸不着"

先说大模型。我们平时用它，会发现它回答问题很厉害、逻辑很强，但它有一个明显的限制：无法感知或改变外界环境。

这句话是什么意思？我举一个例子来说明。比如你想让 GPT-4o 写一个贪吃蛇游戏，它确实可以把代码给你，但写完之后，把代码写进文件这种事情，还是得你自己动手——也就是说，大模型无法改变外界环境。

另外还有一种情况：你其实已经有一些贪吃蛇的代码了，只想让模型帮你在已有代码的基础上增加一些功能。这时候你就必须把已有的代码主动发给 GPT-4o——你不主动告诉它，它是无法自己查到这些代码的。换句话说，这就是大模型无法感知外界环境的体现。

综合来看：大模型既无法感知、也无法改变外部环境。

2 接上工具，Agent 就诞生了

那有没有办法解决这个问题？有的——给大模型接上对的工具就可以了。比如：读写文件内容的工具、查看文件列表的工具、运行终端命令的工具。

工具就像是大模型的感官和四肢。有了它，大模型就可以自己查询已有文件、自己写入代码、自己运行程序，整个过程不需要我们插手，完全自动化。

图 1 · 从"大脑"到"机器人"：大模型缺了什么

像这样，把一个大模型和一堆工具组装起来，变成一个能感知和改变外界环境的智能程序，我们就称它为 Agent。

通常 Agent 用一个机器人图标来表示，这与大模型的大脑图标形成了鲜明的对比——毕竟 Agent 有了感官和四肢，能自己独立做事了，就像一个机器人。

Agent 有很多类型。前面举的是编程类的 Agent，可以用来开发程序；除此之外，还有可以做 PPT 的 Agent，也有可以深度搜索的 Agent，等等。总的来说，Agent 的类型有很多，它们的领域也各不相同。

大模型是一颗聪明的大脑，Agent 是给这颗大脑装上了感官和四肢。

3 两个具体例子：Cursor 和 Manus

下面举两个具体点的例子。

第一个例子是大名鼎鼎的 Cursor，相信即使你没有使用过，也多多少少听说过它。Cursor 是一个用于编程的 Agent，我们只需要给它提交任务，它便会调动大模型和各种工具来帮我们写代码，直至完成任务。整个过程中你顶多点点确定按钮，别的基本上什么也不用动。

图 2 · Cursor 官网：定位就是"编程 Agent"（截图：cursor.com）

再举个例子，前阵子比较火的 Manus，它也是一个 Agent。在这个例子里，用户希望 Manus 帮他比较几款手机的性能、拍照等能力。为了解决这个问题，Manus 会先生成执行计划，然后搜索并浏览相关网页，最后把报告整理成一个页面展示给用户。整个过程基本上也不需要用户插手——Manus 调动大模型和一些工具，就把用户的问题解决了。

图 3 · Manus 官网首页（截图：manus.im）

好，相信到这里，你对 Agent 已经有一个大致的了解了。接下来我们讲讲 Agent 的运行模式。

4 ReAct：最广为人知的运行模式

Agent 的运行有很多种模式，其中最有名的一种叫 ReAct。

ReAct 本身是一个缩写，全称是 Reasoning and Acting，也就是"思考与行动"。它可能是目前使用最广泛的 Agent 运行模式——如果你要学习 Agent 的实现原理，那绝对绕不开它。

这个模式最初由 2022 年 10 月的一篇论文提出。虽然距离现在已经有一段时间了，但它提出的这套运行方式仍然有着非常广泛的使用，说它是目前使用最广泛的 Agent 运行模式也不为过。

图 4 · ReAct 原论文页面：ReAct: Synergizing Reasoning and Acting in Language Models（截图：arxiv.org）

在这种模式下，用户先提交任务，然后 Agent 先做思考（Thought）；思考后会决定是否需要调用工具——如果需要，它便会去调用合适的工具，比如读取文件、写入文件内容之类的。ReAct 把这一步称为行动（Action）。行动之后，Agent 会去查看工具的执行结果，比如读到的文件内容、写入是否成功等等，ReAct 把这一步称为观察（Observation）。

观察之后，Agent 会继续思考：它会再次判断是否还需要调用工具。如果还是需要，就继续重复"行动—观察—思考"的流程，直到某个时刻它认为不需要再调工具了、可以直接给出结论了，此时它就输出最终答案（Final Answer）。整个流程到此结束。

图 5 · ReAct 循环：Thought → Action → Observation → Final Answer

所以从流程图里也可以看出，ReAct 流程的核心步骤是：Thought、Action、Observation 和 Final Answer。这几个词我们后面还会用到。

ReAct 的全部节奏：想一下 → 动一下 → 看一眼结果，循环往复，直到不用再动。

5 为什么模型会照着 ReAct 出牌？——系统提示词

了解了 ReAct 的流程之后，下一个问题就是：这种模式是如何实现的？为什么模型拿到用户问题之后会先思考再行动，而不是直接行动？是因为模型就是这么训练的吗？

其实，这和模型的训练过程关系不大，秘密几乎都集中在系统提示词上。

系统提示词是跟用户问题一起送给模型的提示词，它规定了模型的角色、运行时要遵守的规则，以及各种环境信息等等。

举个简单的例子：我们在系统提示词里写"你的回答必须包含两个 XML 标签，一个叫 question，用于存放用户的问题；一个叫 answer，用于存放你的回答"。把这条系统提示词和用户问题一起发给大模型，它便会遵循这种规范来给出答案。

如果想让模型按照 ReAct 模式来返回答案，那系统提示词就会更复杂一些。我这里有一个具体的例子，这个系统提示词大致有五个部分：职责描述、示例、可用工具、注意事项和环境信息。我们挨个读一下。

首先是职责描述部分：

你需要完成一个任务。为此，你需要将任务分解为多个步骤。对于每个步骤，首先使用 thought 进行思考要做什么，然后使用 action 调用一个工具；工具的执行结果会通过 observation 返回给你。请持续这个思考和行动的过程，直到你有足够多的信息来给出 final_answer。

这段话其实就是在描述我们刚才讲的那个 ReAct 流程图——我们希望大模型按照 ReAct 这个标准来运作。后面的部分则专门说明了每个标签的功能。

紧接着是几个示例。比如第一个例子，用户的问题是"埃菲尔铁塔有多高"：模型先用 thought 标签做了一些思考，然后用 action 标签调用了一个查询工具，把查询参数也填好了；工具的返回结果通过 observation 返回给模型，模型接到结果后又做了一些思考，然后给出了最终答案。这就是一个非常典型的 ReAct 流程。后面的例子二也类似，只不过它把工具调了两遍，这里就不细说了。

再往后，示例里列举了可用的工具，分别用于读取文件、写入文件内容和运行终端命令——都是非常常用的功能；然后是一些注意事项；最后告诉了大模型相关的环境信息，比如当前的操作系统、工作目录和目录下的文件列表等等。

图 6 · 系统提示词的五部分，以及两个容易忽略的关键点

6 从模拟到真 Agent：代码长什么样

系统提示词相当于给模型安排了一个迷你剧本，它会严格按照这个剧本一步一步地走完。

代码在一个外循环里面，这个外循环做的事情就是：请求模型 → 提取 thought → 检测 final_answer → 提取 action 并执行其中的工具。这个过程会一直重复下去，直到模型返回了 final_answer 为止。回想一下，这正是我们之前讲到的 ReAct 运行流程。

为了确保你彻底明白这里面发生了什么，我们再把 Agent 的流程画一遍。整个流程图里有两个角色：用户和 Agent，而 Agent 又可以分成三个部分——模型、工具（也就是函数），还有 Agent 主程序。Agent 主程序这个词我们之前没提过，它其实就是 Agent 里负责串联整个流程的代码逻辑，会在合适的时候调用工具或者模型等等，你可以大致理解为我们刚才代码里的那个 run 函数。

在用户提交任务之后，任务先到了 Agent 主程序；主程序会先去调用模型，模型返回 thought 和 action；主程序把 thought 和 action 展示给用户看，然后去调用 action 里指定的工具；工具执行完毕之后返回结果，主程序把结果展示给用户，并把这个工具执行结果加进历史消息列表，然后再次重复图中的流程——也就是"请求模型并处理 thought、action、observation"的逻辑。直到某个时刻，模型认为用户的任务已经完成了、不需要再利用工具了，它就会返回 thought 和 final_answer，主程序把最终答案展示给用户，整个流程就结束了。这就是一个完整的 ReAct Agent 问答流程。

7 ReAct 之外：Plan-and-Execute

前面我们讲了如何用 ReAct 模式构建一个 Agent。ReAct 是目前最常见、使用最广泛的 Agent 构建模式，但它不是唯一的。

除了 ReAct 之外还有很多其他的运行模式。其中很多 Agent 的运行过程是先规划、再执行——比如我们之前提到过的 Manus：如果留意看的话，你会发现它一开始回答时会构建一个待办列表，后面的执行过程都遵循这个待办列表来进行；而 Claude Code 中也经常能看到这种先创建 todo、再去执行的情况。

这种"先规划再执行"的模式目前并没有一个统一的名字，而且每个 Agent 的实现多少会有些差别。我们今天讲其中一个比较有名的实现——LangChain 提出的 Plan-and-Execute 模式。从总体上看，它也遵循"先规划再执行"的流程，只不过它的流程引入了动态修改规划的环节，这使得它的流程有了很大的灵活性。

图 7 · Plan-and-Execute 的整体架构：Plan 模型、执行 Agent、Replan 模型

图 8 · LangChain 官方博客：Plan-and-Execute Agents（截图：langchain.com）

我们之前说"主程序请求 Replan 模型给出一个新的执行计划"，这个说法其实并不准确。更准确的说法是：主程序请求 Replan 模型给出一个新的执行计划，或者返回最终答案——如果还有不重要做的步骤，那就给出新计划；如果没有可做的了，用户的问题就回答出来了，Replan 模型直接返回最终答案就好。因此 Replan 模型的返回有两种可能性：新的执行计划，或者最终答案。这样才是一个准确的流程图。

相信到这里为止，你对 Plan-and-Execute 流程已经有非常清晰的认识了。有些人可能还想要 Plan-and-Execute 的具体实现代码——LangChain 官方提供了一个页面，你可以自行获取。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？