AI Agent

AI Agent 是能基于目标、上下文和工具执行多步骤任务的 LLM 系统。它不是“更聪明的聊天机器人”，而是一个带工具、状态、权限和评估的工作流。

一个实用定义

Agent = LLM + tools + state + workflow + harness + loop + guardrails + evaluation

其中：

• LLM：理解任务、生成参数、解释结果。
• tools：搜索、数据库、计算、文件、API 等外部能力。
• state：保存任务进度、工具结果、用户确认和错误。
• workflow：控制任务怎么推进、何时停止、何时转人工。
• harness：模型之外的执行环境、工具、权限、反馈和观测。
• loop：观察、行动、验证、修正和停止的迭代机制。
• guardrails：约束输入、工具和输出。
• evaluation：证明系统是否可靠。

Agent 和普通 Chatbot 的区别

什么时候需要 Agent

适合：

• 需要查询多个系统。
• 需要根据中间结果决定下一步。
• 需要调用工具完成动作。
• 需要人机协作审批。
• 需要长期任务或可恢复任务。

不适合：

• 简单问答。
• 单次文本改写。
• 纯文档问答。
• 无法验证结果的高风险任务。

这些场景优先用 Prompt、RAG 或普通程序解决。

Agent 的核心组件

工具

工具要有清晰 schema、权限和错误格式。见 Agent 工具调用。

状态

状态记录：

• 用户目标。
• 当前步骤。
• 已调用工具。
• 工具结果。
• 已确认动作。
• 错误和重试次数。

工作流

工作流决定 Agent 如何推进。见 Agent 工作流模式。

记忆与上下文

Agent 要知道项目规则、任务状态和长期偏好。见 Agent 记忆与上下文。

Harness

Harness 是模型外部的工程系统，包括工具、文件系统、shell、权限、CI、日志和人类 review。见 Harness Engineering。

Loop

Loop 决定 Agent 如何基于反馈反复执行、验证和停止。见 Loop Engineering。

评估

Agent 评估要覆盖：

• 是否选择正确工具。
• 参数是否正确。
• 是否正确理解工具结果。
• 是否在需要时停止或转人工。
• 最终结果是否满足目标。

最小工具型 Agent 流程

用户：查一下这篇文档里 RAG 评估怎么做
  -> 模型决定调用 search_docs
  -> 程序校验 query 和 top_k
  -> 工具返回相关片段
  -> 模型基于片段回答并给引用

注意：工具执行必须由程序控制，不能让模型绕过权限和参数校验。

主要风险

学习顺序

1. Agent 工具调用与结构化输出
2. Agent 工作流模式
3. AI 编程智能体
4. Agent 记忆与上下文
5. MCP：Agent 的工具与上下文协议
6. Harness Engineering
7. Loop Engineering
8. Agent 生产化

如果你还没有做过 RAG，建议先学 RAG，因为很多 Agent 都会把检索作为基础工具。

参考资料

• OpenAI Agents SDK: https://developers.openai.com/api/docs/guides/agents
• LangGraph Overview: https://docs.langchain.com/oss/python/langgraph/overview
• Hugging Face Agents Course: https://huggingface.co/learn/agents-course/en/unit0/introduction
• smolagents: https://huggingface.co/docs/smolagents/en/index