本文深入剖析了 Agent 的核心构成强调 Agent 并非简单的 LLM 工具组合而是由 LLM 核心、工具系统、记忆系统和规划模块四部分构成的综合执行系统。LLM 负责思考和判断工具系统负责执行记忆系统负责存储经验规划模块负责任务拆解与推进。文章详细阐述了各组件的功能、设计要点及常见误区并通过伪代码展示了 Agent 的运行循环。最终指出构建稳定可控的 Agent 系统才是关键使其真正成为生产力的利器。一、Agent 不是一个模型而是一套执行系统很多人一讲 Agent就容易只想到“大模型 工具调用”。这个说法没错但太浅薄。真正能跑长任务、能查资料、能改状态、能复盘经验的 Agent至少要有四个核心组件LLM 核心、工具系统、记忆系统、规划模块。一句话LLM 负责“想和判断”工具负责“动手执行”记忆负责“别忘事”规划负责“先拆任务再推进”。如果只有 LLM它更像一个会说话的大脑能理解问题也能生成答案但它本身不能联网、不能读业务数据库、不能执行代码也不会天然记住跨任务的长期经验。把工具、记忆、规划接上之后它才从“问答模型”变成“任务执行者”。二、四个组件分别负责什么可以把 Agent 类比成一个小团队LLM 像老板负责判断方向规划模块像项目经理负责拆任务工具系统像外包执行团队负责真正干活记忆系统像档案室负责保存历史和经验。这张图最重要的不是记住名词而是记住分工。模型不应该直接拥有无限执行权限工具不应该脱离鉴权和审计记忆不应该什么都存规划也不应该一次生成后永远不改。三、组件一LLM 核心Agent 的“大脑”LLM 核心负责理解用户目标、读取上下文、选择下一步动作、组织最终答案。它会综合用户输入、系统提示词、工具返回结果、短期记忆和长期记忆再决定下一步是继续调用工具、追问用户还是输出最终结果。这里有一个容易被低估的点System Prompt。它不是随便写几句角色设定而是 Agent 的岗位说明书。它定义这个 Agent 能做什么、不能做什么、遇到不确定信息怎么处理、输出格式要遵守什么规范、哪些场景必须转人工。模型选型也不是越贵越好。复杂规划和关键判断可以交给推理能力强的模型主循环可以用能力均衡的通用模型意图分类、参数抽取、格式修复这些小活可以交给更快更便宜的小模型。LLM 核心的工程要点系统提示词要写清楚边界角色、任务范围、禁止行为、失败处理、输出格式。关键输出尽量结构化比如 JSON、枚举、状态码降低后端解析难度。模型调用要可观测记录 prompt 版本、输入摘要、工具决策、延迟、token、错误原因。不要让一个模型承担所有事情复杂思考、普通问答、小任务抽取最好分层处理。四、组件二工具系统让 Agent 接入真实世界LLM 本身只是语言模型它不会真的去查数据库也不会真的调用接口。工具系统做的事就是把外部能力封装成模型能理解的“工具说明书”工具名是什么、什么时候用、需要哪些参数、返回什么结果。这也是 Function Calling / Tool Calling 的核心思路模型根据工具描述输出结构化调用请求业务代码负责鉴权、执行、重试和记录日志。模型负责“决定调哪个工具”程序负责“真正执行工具”。一个典型工具定义可以长这样tools [{ type: function, function: { name: query_order, description: 查询用户订单状态仅支持按订单号或用户 ID 查询不处理退款审批, parameters: { type: object, properties: { order_id: {type: string, description: 订单号} }, required: [order_id] } } }] # 模型不会直接查库它只会生成类似下面的调用意图 # {name: query_order, arguments: {order_id: 123456}}工具描述写得含糊模型就会误判。比如只写“查询数据”模型可能把天气、新闻、订单都当成可查询范围如果写成“查询公司内部销售数据库只支持日期、产品类别、区域筛选”模型就更容易在正确场景调用正确工具。工具系统上线时重点看五件事权限不是模型想调就能调必须有白名单、用户身份、业务权限。参数必须做 schema 校验、必填校验、枚举限制、危险参数拦截。可靠性要有超时、重试、熔断、降级不能让 Agent 卡死。幂等发邮件、建工单、退款、下单这类动作必须避免重复执行。审计每次工具调用都要记录调用原因、参数、结果、耗时和操作者上下文。五、从工具到协议MCP 和 A2A 为什么重要当工具数量少时手写几个函数就够了当工具来自很多团队、很多系统、很多供应商时适配成本会快速膨胀。MCP 的目标是给 AI 应用连接外部系统提供统一接口把工具、资源和提示模板标准化。MCP 里可以把能力分成三类Tools 表示会改变外部世界的动作Resources 表示只读数据源Prompts 表示预定义提示模板。它常被类比成 AI 应用的 USB-C只要接口标准一致应用就能发现和连接不同服务。另一个方向是 A2A。MCP 解决“Agent 怎么接工具”A2A 更关注“Agent 怎么和另一个 Agent 协作”。在企业里客服 Agent、销售 Agent、财务 Agent、代码 Agent 往往分属不同系统A2A 这种协议能让它们用统一方式交换任务、消息和结果。六、组件三记忆系统让 Agent 不会中途失忆没有记忆的 Agent很难完成长任务。因为每一步工具返回、用户补充、计划变化都需要被保存下来。否则执行到一半它就不知道前面做过什么、哪些信息已经确认、哪些方案已经失败。记忆至少分两层短期记忆和长期记忆。短期记忆一般放在当前上下文或运行状态里负责当前任务长期记忆通常放在数据库、向量库、文档库里负责跨任务保留知识、偏好、经验和历史记录。长期记忆又可以用三种类型来理解语义记忆存事实比如“用户是企业客户”情景记忆存经历比如“上次这个订单查到物流异常”程序性记忆存做事方法比如“退款问题先查订单状态再查支付渠道再判断规则”。但记忆不是越多越好。什么都往向量库里塞会导致检索噪音变大过期信息还可能误导模型。更好的做法是存入前做重要性评估检索时按语义、时间、权限、业务类型过滤使用后再更新或衰减。记忆系统的常见设计短期记忆保存当前任务步骤、最近对话、工具观察结果可以用状态对象、Redis、会话表实现。长期记忆保存跨任务知识可以用向量数据库 metadata 过滤也可以用关系库保存结构化事实。摘要压缩长任务中把早期步骤压缩成“任务摘要”避免撑爆上下文窗口。滑动窗口只保留最近几轮详细内容早期内容改用摘要或检索补回。记忆衰减越久远、越低价值、越低可信的记忆检索权重越低。七、组件四规划模块决定 Agent 能不能处理复杂目标简单问题可以一步回答复杂任务必须拆解。比如“帮我写一份竞品分析报告”Agent 不能直接写它应该先拆成明确目标、收集资料、提取关键数据、对比分析、撰写报告、检查质量。规划模块常见有三种模式。第一种是 Plan-and-Execute先列完整计划再按顺序执行。第二种是 ReAct边思考、边行动、边观察根据反馈动态调整。第三种是 Tree of Thoughts展开多条候选路径评估后选择更优分支。实际工程里经常不是三选一而是组合使用先用一个粗计划确定方向再用 ReAct 在执行过程中动态修正遇到高风险或强约束问题再加入候选方案评估、人工确认和回滚机制。规划模块要避免两个坑只规划不执行计划看起来漂亮但没有工具、状态和失败处理落不了地。只循环不收敛每一步都临时决策容易反复搜索、反复调用工具最后走偏或超时。八、四组件跑起来核心就是一个循环把四个组件连起来后Agent 的运行节奏并不神秘用户给目标规划模块拆步骤LLM 读取记忆并判断下一步工具系统执行动作结果写回记忆如果结果和预期不一致就重新规划或调整策略直到完成任务或触发人工接管。可以用一段伪代码理解这个循环def run_agent(user_goal): plan planner.make_plan(user_goal) state init_state(user_goal) while not state.done: related_memory memory.search(state.current_step) decision llm.decide( goaluser_goal, planplan, statestate, memoryrelated_memory, toolstool_schemas ) if decision.type “tool_call”: result tool_executor.run(decision.name, decision.args) state.add_observation(result) memory.write_if_valuable(result) elif decision.type “replan”: plan planner.revise(plan, state) elif decision.type “final_answer”: return decision.content这段伪代码里最关键的是“控制权”。模型可以建议下一步动作但真正的执行、权限、限流、审计、失败恢复都应该由业务系统掌控。生产级 Agent 不是让模型自由发挥而是把模型放进一个可控的执行框架里。九、案例客服 Agent 可以这样设计以客服 Agent 为例用户可能会问退款、物流、发票、账户、优惠券。一个靠谱的客服 Agent 不应该只靠模型直接回答而应该把四组件都接起来。这个例子也能迁移到投研 Agent、代码 Agent、运维 Agent、销售 Agent。区别只是工具不同、记忆不同、风险边界不同。投研 Agent 的工具可能是公告、行情、研报、财务数据代码 Agent 的工具可能是文件系统、Git、测试框架、CI运维 Agent 的工具可能是日志、监控、告警、发布平台。十、面试和工程里最容易踩的 5 个坑只说 LLM 和工具漏掉记忆和规划。没有记忆长任务会失忆没有规划复杂任务会乱走。把记忆等同于上下文。上下文只是短期记忆长期记忆需要外部存储、检索、更新和衰减。以为模型真的执行工具。模型只输出调用意图真正执行必须由业务代码完成。工具越多越好。工具过多且描述不清会增加误调用、上下文膨胀和安全风险。计划一次生成后不再调整。真实任务经常遇到搜索失败、接口超时、数据缺失必须支持重规划。十一、总结Agent 的本质不是让大模型“更会说”而是让大模型在一个受控系统里“能做事”。LLM 是大脑工具是手脚记忆是档案室规划是项目经理。四个组件合在一起Agent 才能完成多步任务先拆目标再做决策再调用工具再保存结果再根据反馈调整。真正的工程重点不是把 Demo 跑起来而是让这个循环稳定、可控、可观测、可恢复。能做到这些Agent 才不是玩具而是可以接业务的生产系统。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传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】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】