AI Agent 从原理到工程

AI 智能体技术原理：从能回答问题到能解决问题

> 面向 AI 应用开发者与大模型工程师的体系化教程。围绕「感知-规划-行动-观察」核心循环，从单体智能体的 Profile-Memory-Planning-Action 四模块架构、思维链与 ReAct 规划机制、记忆与 RAG 知识管理、函数调用与代码解释器，到多智能体协作与工程化落地，建立完整的 AI Agent 知识体系。本教程为原理深度优先的中文长文体系，不写可运行工程代码，聚焦架构设计与数据流转逻辑。

一、核心摘要

AI 智能体（AI Agent） 是以大语言模型为大脑、能够自主感知环境、规划步骤、调用工具、执行动作并从观察中迭代的软件系统。它的核心是「感知-规划-行动-观察」循环：感知外界输入与状态，规划下一步，行动改变世界，观察行动结果，如此往复直到任务完成。

与大语言模型（LLM）的单轮问答相比，Agent 的根本跃迁在于两点：自主性（自己决定下一步做什么）与行动力（能调用工具与 API 改变外部状态）。这两点让 AI 从「能回答问题」进化到「能解决问题」。

本教程按「先单体、再大脑、后群体」的递进逻辑组织：

• 导论（第 1 章）：从 LLM 的四大局限切入，建立 Agent 核心循环与四模块认知坐标系。
• 架构骨架（第 2 章）：拆解单体智能体的 Profile-Memory-Planning-Action 四大内部模块。
• 大脑强化（第 3-4 章）：思维链/思维树/任务分解等推理机制，以及 ReAct「边想边做」的灵魂范式。
• 记忆深化（第 5 章）：短期/长期记忆与 RAG 检索增强生成，让智能体跨会话积累经验。
• 行动延伸（第 6 章）：函数调用、API 编排与代码解释器，让智能体长出「手脚」。
• 群体智能（第 7 章）：多智能体通信、角色分工与协作框架，从单体跃迁到群体。
• 工程与未来（第 8 章）：框架选型、评测基准、系统性挑战与 AGI 路径。

二、核心逻辑：感知-规划-行动-观察循环

循环的三个关键判读：

> 💡 一句话区分：传统软件是「人写流程，机器执行」；LLM 问答是「人提问，机器回答」；LLM Agent 是「人给目标，机器自己想怎么做并执行」。自主性的有无，是 Agent 与前两者的本质分界。

三、导航索引（纯文本目录树，不使用超链接）

AI Agent 从原理到工程/
│
├── 01-导论-从LLM到AI-Agent/
│   ├── 01-LLM的边界与Agent的诞生.md        ← 知识截止/无状态/无行动/幻觉
│   ├── 02-AI-Agent定义与核心循环.md        ← 感知-规划-行动-观察
│   ├── 03-智能体架构总览.md                ← Profile-Memory-Planning-Action
│   └── 04-发展脉络与里程碑.md              ← 专家系统→RL→LLM Agent
│
├── 02-智能体架构设计-Profile-Memory-Planning-Action/
│   ├── 01-Profile人设模块.md               ← 角色卡/System Prompt 工程
│   ├── 02-Memory记忆模块定位.md            ← 工作/情节记忆（详解留第5章）
│   ├── 03-Planning规划模块.md              ← 任务建模/策略路由（详解留第3-4章）
│   └── 04-Action行动模块.md                ← 动作空间/执行接口（详解留第6章）
│
├── 03-推理与规划机制-思维链思维树与任务分解/
│   ├── 01-思维链CoT.md                     ← CoT/Zero-shot/Self-Consistency
│   ├── 02-思维树与思维图.md                ← ToT/GoT/搜索与回溯
│   ├── 03-任务分解策略.md                  ← 自顶向下/层次化/递归
│   └── 04-规划范式对比.md                  ← Plan-and-Execute/ReWOO/LATS
│
├── 04-ReAct范式-推理与行动的交织/
│   ├── 01-ReAct原理.md                     ← Thought-Action-Observation
│   ├── 02-ReAct工程实现.md                 ← Prompt 模板/轨迹/上下文管理
│   ├── 03-ReAct变体与演进.md               ← Reflexion/Self-Ask/ReWOO/LATS
│   └── 04-ReAct适用边界与局限.md           ← 延迟/膨胀/错误累积
│
├── 05-记忆与知识管理-短期长期与RAG/
│   ├── 01-短期记忆与上下文管理.md          ← 窗口/压缩/LLMLingua
│   ├── 02-长期记忆与向量数据库.md          ← Embedding/Chroma/Pinecone
│   ├── 03-RAG检索增强生成.md               ← 朴素RAG→Advanced RAG/Self-RAG
│   └── 04-记忆的检索更新与遗忘.md          ← 衰减/消解/反思/Generative Agents
│
├── 06-工具使用与执行-函数调用API与代码解释器/
│   ├── 01-函数调用Function-Calling.md      ← JSON Schema/工具选择/MCP
│   ├── 02-工具集成与API编排.md             ← 注册表/检索/并行串行编排
│   ├── 03-代码解释器.md                    ← 沙箱/数据分析/自我调试
│   └── 04-安全执行沙箱与权限.md            ← 隔离/权限/人类在环/注入防御
│
├── 07-多智能体协作-通信角色与群体智能/
│   ├── 01-多智能体系统概述.md              ← 单Agent天花板/分工/涌现
│   ├── 02-通信协议与消息传递拓扑.md        ← 星型/层级/网络/辩论
│   ├── 03-角色分工与协作框架.md            ← AutoGen/MetaGPT/CrewAI/ChatDev
│   └── 04-协作与竞争模式.md                ← 辩论/投票/市场/对抗验证
│
└── 08-工程化评测与未来展望/
    ├── 01-Agent框架选型.md                 ← LangChain/LangGraph/AutoGen/LlamaIndex
    ├── 02-Agent评测基准.md                 ← AgentBench/GAIA/SWE-bench/WebArena
    ├── 03-系统性挑战.md                    ← 幻觉/可靠性/成本/延迟/安全
    └── 04-未来展望.md                      ← Agent OS/Computer Use/AGI
​

四、章节定位速查

五、阅读路径建议

• 路径 A · 完整体系构建（研究者/研究生）：1 → 2 → 3 → 4 → 5 → 6 → 7 → 8，全章节顺序阅读，约 40 篇，建立从单体到群体、从原理到工程的完整体系。
• 路径 B · 应用开发实战（应用工程师）：1 → 2 → 4 → 6 → 8（01、02），重点掌握 Agent 架构、ReAct 循环与工具调用，快速上手工程开发。
• 路径 C · 规划推理深耕（算法/研究）：1 → 3 → 4 → 7（04），重点理解思维链、ReAct 及多 Agent 辩论等推理增强机制。
• 路径 D · 知识与记忆侧（RAG/检索工程师）：1 → 2（02）→ 5 → 8（03），重点掌握记忆系统与 RAG 全栈。
• 路径 E · 快速入门（产品/决策者）：1（01、02、03）→ 4（01）→ 8（04），约 6 篇建立全景认知与未来判断。