本文详细介绍了智能体Agent的概念、核心模块感知、记忆、规划和行动并深入解析了大语言模型LLM在Agent中的作用。文章还对比了FM Agent与RL Agent的区别并探讨了Agent的应用场景与成本分析。适合想要了解和学习大模型开发的初学者帮助读者快速掌握Agent开发的关键要点为实际应用打下坚实基础。1 什么是Agent智能体Agent 是指能够感知环境、进行决策并采取行动以实现某种目标的系统。现在我们把Agent想象成一个人这样便于我们更好的理解比如说我们走在路上看到对面有辆车开过来了这个时候我们本能的会去躲避那整个过程是怎么发生的呢看到对面有车开过来这是通过眼睛看到信息通过神经传递给大脑大脑调动之前的记忆发现如果这个时候不躲开就有可能会被车撞然后驱动着脚走到旁边去。上面的过程就是感知路面环境、大脑决策最后采取行动的过程。基于上面的过程我们可以看出Agent会包含以下核心模块。2 Agent核心模块见下图不同的机构或团队对Agent的核心模块划分不同但都包含了感知、记忆、规划和行动四个模块。1 LLM大语言模型先简单说下大语言模型它是智能体的核心相当于人的大脑背后的神经网络设计也是基于人类大脑的神经系统尤其是神经元Neuron之间的连接与信号传递方式。关于大语言模型就不再详细说了大家基本每天都在用。然后还是想着重说下深度学习因为它与传统的软件研发流程不一样。就像AI大神卡帕西斯坦福读书时的导师是李飞飞, OpenAI的创始成员之一后面被马斯克亲自招募出任特斯拉的AI总监之后又回到OpenAI去年他正式宣布离开OpenAI最近的一个演讲中提到的一个概念叫 “软件3.0”。软件1.0是我们最熟悉的传统软件研发流程指的是由人类程序员一行行编写代码的方式我们之前的研发流程都属于软件1.0。软件2.0是随着深度学习的兴起而出现的。它的核心已经不再是人工编写的代码而是通过训练来控制神经网络的权重。这个阶段很多事情不再依赖程序员去手动写逻辑而是依靠数据驱动模型进行“学习”而且泛化能力也很好。软件3.0就是我们现在通过cursor、trae、winself等AI 开发工具用自然语言进行编程它大大降低了软件创造的门槛。但仔细想想我们好像直接从1.0跳到了3.0并没有经过2.0但实际上软件2.0的应用其实还是蛮多的尤其是一些垂直行业如医疗健康让机器学习看片子帮助医生看病如农业领域能够预测作物产量和优化种植策略还有教育行业能够个性化学习路径和提高学习效率等等。所以我觉得大家有兴趣可以了解了解。推荐两本书《深度学习革命》、《深入浅出神经网络与深度学习》。2 Perception感知即智能体对环境的感知一个人可以通过眼睛、耳朵来感知环境机器人可以通过雷达和摄像头感知环境软件中主要是基于我们输入的上下文数据可以是文本、图片、视频、语音、文件等等。3 Memory记忆大模型其实是没有记忆的只能通过外部技术如RAG、ES模拟记忆效果以增强任务表现和交互连贯性。分为短期记忆Short-term 和 长期记忆Long-term。个人认为记忆对于大模型来说非常重要因为随着对模型的不断使用如果模型厂商如果把这些使用的记录全部变成记忆那模型就会越来越懂我们使用起来也会越来越顺手而不像现在每次在提示词上要还很多时间而且换个窗口后又得重来一次。2.3.1 短期记忆依赖模型上下文的token限制参考代码如下 在每次调用大模型的时候需要将工具返回的信息、人的反馈信息等都塞到messages中然后去调用大模型接口。ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineinterface ChatMessage { role: user | assistant | system tool; content: string; tool_calls?: xxx; call_id?: string;}class Memory { private messages: ChatMessage[] []; constructor() { this.messages []; } addMessage(message: ChatMessage) { this.messages.push(message); } getMessages() { return this.messages; }}2.3.2长期记忆依赖于外部组件如RAG elasticsearch可以通过文件或数据库来做存储介质可以搜索、更新, 长期记忆又可以继续分如用户画像记忆情景记忆事实记忆等。接下来讲下在蛋糕烘培助手案例中是如何处理记忆的实时的对话信息作为工作记忆存在内存中到达一定阈值后由大模型来提取关键信息来作为短期记忆。然后上半年商机挖掘项目能够分析出客户画像将这部分信息作为长期记忆存储起来后续的对话每次调用大模型的时候会进行召回并更新短期记忆的召回次数。这些短期记忆会进行周期性的评估包括召回次数和重要性重要的会合并进核心记忆不重要的进行遗忘。整体会分三层工作记忆、短期记忆、 长期记忆每次询问通过向量检索更新短期记忆召回次数短期记忆由大模型来进行提取为边缘记忆并设置重要性评分4 Action行动行动很好理解LLM相当于我们的大脑但是光有大脑没有手脚也做不成事所以Agent就需要借助外部的工具进行行动。我们需要把我们的工具包括名称、描述和需要的参数告诉LLM当LLM来决定是否用工具以及什么时机用工具。介绍下案例中使用的商品查询工具即用户通过一个问题或图片就能找到商家后台商品库的商品商品的关键词查找处理将商家后台的商品图片和标题通过多模态模型提取出关键信息大模型会提取出关键信息然后让工具执行在执行过程中将关键词和商家后台商品的关键信息项进行相似度检索从而找出匹配的图片的查找处理将商家后台的商品图片向量化模型提取出用户想要的蛋糕商品图片链接然后和商家后台商品图片进行相似度匹配ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line// 定义toolsconst tools [ { type: function, function: { name: query_goods, description: 查询蛋糕商品信息, parameters: { type: object, properties: { keywords: { type: array, items: { type: string, description: 蛋糕商品关键信息项, }, description: 蛋糕商品关键信息包含适用场合、目标人群、风格、口味、主题、颜色等, }, image_url: { type: string, description: 蛋糕商品图片链接, }, } }, } }, ...];5 Planning规划规划这部分相对会复杂点接下来主要将常见的两种规划模式分别是ReAct和Plan-and-Resolve除了这两种模式还有多Agent模式等。2.5.1 ReActReason Action 推理 - 行动 - 反馈通过不断的推理、行动和反馈来最终完成用户的目标。蛋糕烘培助手的流程如下图2.5.2 Plan-and-Solve将任务分解成子目标并分布执行这个和ReAct的区别是Plan-and-Solve是先通过大模型将任务拆解然后再分布执行和ReAct是一步一步的去执行两种模式适用的场景不一样。比如说旅游规划的agent就可以用Plan-and-Solve模式先生成计划如要了解天气、要了解住宿等然后再解决计划 最终整合让大模型完成回答 当然中间也可以加反思对计划进行反思等。下面是基于Plan-and-Solve的流程图3 Agent评估报告评估报告是Agent开发过程中不可或缺的环节包括响应时间、完成度、工具使用情况、后续优化等它能够系统性地收集和分析Agent的运行数据,为后续的优化和迭代提供科学依据。所以在agent的设计环节都需要将这些数据都记录下来。4 Agent成本分析在做AI应用的过程中我们经常会被问到一个问题做个东西的成本怎么样AI相关应用与传统的应用之间的计费方式完全不一样了所以Agent中每次的模型调用所以针对Agent需要做成本分析。基于成本分析可以进行价值回顾和agent的优化。5 Agent vs Workflow用一句话来概括它们之间的区别就是Agent是你只需要告诉我你要什么不需要告诉我怎么做而workflow就是你要按照我编排好的路径来执行。一个是基于大模型来规划一个是基于人来规划。如何选择选Workflow数据处理管道文档审批流程任务流程相对固定步骤可预定义需要严格的执行顺序和质量控制要求高可靠性和可重复性涉及多个系统集成需要标准化流程合规要求严格需要审计追踪如数据处理管道、文档审批流程选Agent智能客服助手个人AI助理复杂问题诊断任务需要动态决策和灵活应对环境不确定性高需要自主判断要求个性化和上下文理解需要创造性解决问题用户交互频繁需要对话式体验如智能客服助手、个人AI助理、复杂问题诊断6 FM Agent 与 RL Agent以上讲的都是FM Agent是基于大型预训练模型Foundation Model 的智能体比如基于 GPT-4、Claude、Gemini 等大模型构建的智能体。核心能力是利用大语言模型LLM的理解、推理、规划和生成能力来感知世界、做决策、执行任务。除了FM Agent还有RL Agent它是基于强化学习Reinforcement Learning 原理构建的 Agent。它与环境交互根据奖励信号学习最优策略以最大化长期累计奖励。如DeepMind的AlphaGo Zero在围棋游戏中击败了世界顶级选手就是一个RL Agent。7 最后今天的分享只是掀开了 Agent 世界的一角。它的深度与潜力远不止于此新的思路、框架与落地案例正层出不穷。希望这份经验与尝试能为大家点亮一条更高效、更有趣的道路。回过头来看不论是 LLM、Workflow 还是 Agent终究只是工具。只有当它们与真实业务场景发生化学反应切实解决痛点创造价值时技术的光芒才会真正被点亮。愿我们带着好奇与敬畏把技术的锋利打磨成改变世界的钥匙。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
 :对话机器人开发快速入门)
