1.1 一句话说清楚

先来个最直白的对比：

• 传统LLM（如ChatGPT） ：你问一句，它答一句。像个“超级大脑”，但只有大脑，没有手和脚。

• AI Agent：不仅有大脑（LLM），还有手和脚（工具调用）、有记忆（Memory）、会自己规划（Planning）。它不只是回答问题，而是帮你完成目标。

工业界有一个公认的定义，来自OpenAI的Lilian Weng：

Agent = LLM + 规划 + 记忆 + 工具使用

你可以把单独的LLM想象成一个智商极高、但被关在没有窗户、没有网络、没有笔记本的房间里的天才——你推门问一句，他答一句；关上门再进来，他已经忘了刚才聊过什么。

而AI Agent，就是给这个天才装上眼睛、双手、笔记本和日程表。

1.2 核心特征：四个关键词

一个真正的AI Agent具备四个核心特征：

特征	什么意思	举个例子
自主性	不用你每一步都指挥	你说“帮我订机票”，它自己会去比价、下单
工具调用	能调用外部API/插件	调用支付接口、查天气API、操作数据库
记忆机制	能记住之前的事	短期记对话，长期记用户偏好
目标导向	所有行动围绕目标展开	把“策划团建”拆成查日历、订场地、发邀请

1.3 一句话总结

传统AI是“回答工具”，AI Agent是“行动者”。

二、内部架构长什么样？四大模块拆给你看

2.1 感知层（Perception）——“感官系统”

负责接收和理解用户的输入。不只是文本，还可以是语音、图像等。

比如你说“帮我看看这张发票对不对”，感知层会识别图片里的文字信息，然后传给大脑处理。

2.2 决策层（Planning）——“大脑引擎”

这是Agent最核心的部分，由LLM驱动。它负责三件事：

1. 目标分解：把大目标拆成小步骤。比如“策划团建” → 查日历 → 找场地 → 发邀请 → 统计人数

2. 工具选择：决定用什么工具来完成每一步

3. 策略制定：规划做事的先后顺序

2.3 行动层（Action）——“执行手臂”

负责真正“干活”。可以调用三类工具：

• 内置工具：计算器、代码解释器

• 插件/API：支付接口、日历API、数据库

• RPA机器人：模拟人操作软件界面

2.4 记忆层（Memory）——“笔记本”

• 短期记忆：当前对话的上下文，类似人的“工作记忆”

• 长期记忆：存在向量数据库里，跨会话保留

有了记忆，Agent才不会“转身就忘”——你昨天跟它说过的事，今天它还记得。

三、核心工作模式：ReAct循环——Agent的“呼吸节奏”

理解了架构，还得知道Agent是怎么“思考”的。目前最主流的模式叫 ReAct（Reasoning + Acting） 。

3.1 什么是ReAct？

ReAct就是一个循环：思考 → 行动 → 观察 → 再思考 → 再行动…… 直到任务完成。

用大白话翻译：

• Thought（思考） ：Agent在心里想“我现在该干嘛？”

• Action（行动） ：Agent动手去做（比如查个API）

• Observation（观察） ：Agent看看结果怎么样

• 然后回到第一步，继续想下一步

这就像你做饭：先想“要做番茄炒蛋”，然后去打蛋、切番茄（行动），看看火候怎么样（观察），再决定要不要加点盐（再思考）。

3.2 一个具体例子

用户问：“北京今天天气怎么样？适合穿什么？”

3.3 为什么ReAct这么重要？

ReAct让LLM从“只动嘴”变成了“边想边做”。它模拟了人类的内心独白，把推理（Chain-of-Thought）和工具使用结合起来，让Agent能动态应对各种情况。

简单说：没有ReAct，Agent就是个只会说不会做的花瓶。

四、用户使用时为什么“感觉没那么神”？

好，现在进入正题——为什么理论上很完美的Agent，用起来却经常差强人意？

4.1 问题一：规划能力不足——“想得太简单”

Agent的核心是LLM，而LLM本质上是“下一个词预测器”，不是真正的“规划器”。

什么意思？就是它看起来在规划，实际上是在模仿人类规划的样子，但缺乏真正的因果推理能力。

典型表现：

• 把复杂任务拆解得过于简单，漏掉关键步骤

• 遇到意外情况就懵了，不知道调整计划

• 在多步骤任务中“迷失方向”

有研究指出，Agent规划失败的两个关键因素是：约束条件的作用有限和问题的影响力递减。翻译成人话就是：Agent不太会考虑“如果A不行该怎么办”，而且越往后执行越容易忘记最初的目标。

4.2 问题二：记忆能力薄弱——“记性不好”

Agent的记忆主要靠LLM的上下文窗口。窗口再大也有上限（虽然现在有些模型支持百万token，但成本极高）。

典型表现：

• 对话一长，前面的内容就“忘”了

• 跨会话完全不记得你

• 长期任务中信息丢失，导致前后矛盾

特斯拉AI前成员Andrej Karpathy直言：“现在的AI无法记住和用户的每一次互动，当关掉对话窗口后，它就会忘掉。” 

4.3 问题三：幻觉问题——“瞎编乱造”

LLM本来就爱“ hallucinate”（幻觉），Agent继承了这个问题。

典型表现：

• 调用工具后，对结果进行错误解读

• 工具调用失败时，自己“脑补”一个答案

• 把不相关的信息强行关联起来

4.4 问题四：多工具协同困难——“手忙脚乱”

当任务需要调用多个工具时（比如同时操作文件、邮件、数据库），很多Agent就“掉链子”了。

典型表现：

• 工具之间信息传递出错

• 执行顺序混乱

• 卡在某个步骤无法继续

有用户反馈，Manus在处理涉及多个工具的任务时，常常在执行中卡住、步骤结果传递错误，或耗时超过一小时。

4.5 问题五：成本失控——“太贵了”

ReAct模式需要多轮LLM调用。每多一轮就多一笔token费用。

典型表现：

• 简单任务被过度复杂化，浪费token

• 任务失败后重复尝试，成本飙升

• 用户发现还不如直接问ChatGPT划算

有报道称，某AI工具“一周烧1000美元，修不好bug还顺手删库”。

五、官方和业界怎么解决？

问题不少，但解决方案也在快速演进。

5.1 解决方案一：自我反思（Self-Reflection）——“学会检查自己”

核心思想：让Agent在执行过程中停下来，检查一下自己做得对不对。

具体做法是让Agent在每步行动后问自己三个问题：

• “我这一步做得对吗？”

• “有没有更好的做法？”

• “我是不是跑偏了？”

代表技术：

• Reflexion（2023年提出）：用语言反馈来防止重复犯错

• Self-Refine：让模型自己生成反馈并改进

• MIRROR：多Agent互相检查，既有“自我反思”也有“互相反思”

5.2 解决方案二：增强规划（Enhanced Planning）——“先想好再动手”

核心思想：别让Agent“边想边做”那么冲动，先花点时间好好规划。

典型做法是 “先做多步规划，再结合ReAct执行” 。就像你出门旅行前先做好攻略，而不是走到哪儿算哪儿。

5.3 解决方案三：MCP协议——“标准化工具箱”

核心思想：让工具调用变得标准化、可插拔。

2024年底，Anthropic发布了 MCP（Model Context Protocol） 。你可以把它理解成 “AI的USB接口” ——不管什么工具，只要符合MCP标准，Agent就能直接插上用，不用每个工具单独写适配代码。

这让Agent的工具调用从“定制化”走向了“标准化”，大大降低了开发成本和出错概率。

5.4 解决方案四：记忆系统升级——“好记性不如烂笔头”

核心思想：用外部存储来解决LLM上下文窗口的限制。

• 向量数据库：把历史信息存成向量，需要时语义检索

• MemGPT：动态管理记忆，突破上下文窗口限制

• Graph-RAG：把知识存成实体关系图，支持多跳推理

5.5 解决方案五：多Agent协作——“三个臭皮匠”

核心思想：不让一个Agent单打独斗，而是多个Agent分工合作。

比如一个Agent负责规划、一个负责执行、一个负责检查。互相监督、互相补充，降低单个Agent犯错的风险。

5.6 解决方案六：工程化落地——Anthropic的三条原则

Anthropic在2025年分享了构建有效Agent的三个核心原则：

1. 选择性使用：不是所有场景都需要Agent，简单任务用普通LLM就够了

2. 保持简单：架构越复杂越容易出问题

3. 从Agent的视角思考：站在Agent的角度设计，而不是从开发者角度

六、VSCode代码解析：手把手看一个Agent怎么工作

光说不练假把式。下面我们用一段实际代码来看看Agent到底是怎么工作的。

6.1 完整代码示例

以下代码基于LangChain框架，构建一个能查天气和搜索信息的简单Agent

6.2 逐行深度解析

第一段：准备工具

这步在干嘛？ 给Agent配“装备”。

• DuckDuckGoSearchRun()：让Agent能上网搜索。相当于给了它一个浏览器。

• PythonREPL()：让Agent能执行Python代码。相当于给了它一个计算器+代码编辑器。

为什么需要工具？ LLM的知识是训练时“记住”的，有截止日期（比如2024年1月）。要查最新信息（比如特斯拉2025年Q1财报），必须靠搜索工具。

第二段：初始化Agent

参数逐个解释：

参数	作用	白话翻译
tools	传入工具箱	“给你这些工具，你看着用”
OpenAI(temperature=0.3)	选择LLM大脑，temperature控制随机性	temperature越低越“冷静”越准确，越高越“有创意”但可能胡说
agent="zero-shot-react-description"	使用ReAct模式	“你要边想边做，边做边看”
verbose=True	打印详细过程	“把你心里想啥都告诉我”

什么是"zero-shot-react-description"？ 这是一种Agent类型，意思是“不用提前训练，直接根据工具描述就知道怎么用”。LLM会读取每个工具的描述文字，然后自己判断什么时候该用什么工具。

第三段：执行任务

执行时内部发生了什么？ 这就是ReAct循环在跑：

verbose=True 会把上面这些“内心独白”全部打印出来，你可以亲眼看到Agent是怎么一步步思考和行动的。

6.3 这段代码的局限性

这个例子看起来很酷，但实际用起来可能会遇到我们前面说的那些问题：

1. 搜索可能失败：如果搜不到准确数据，Agent可能瞎编

2. 分析可能出错：Python代码写错了怎么办？Agent不会自己debug

3. 多步骤可能乱套：如果任务再复杂一点（比如还要对比竞争对手），Agent可能搞混顺序

4. 成本不低：每一轮都要调用LLM，token消耗很快

所以，Demo很酷，生产环境要谨慎——这恰恰印证了我们前面讨论的问题。

七、总结与展望

7.1 核心 takeaways

你想知道的	答案
Agent是什么	LLM + 规划 + 记忆 + 工具使用
怎么工作的	感知→规划→行动→观察，循环往复
核心模式	ReAct（思考-行动-观察循环）
为什么不够好	规划弱、记忆差、爱幻觉、多工具协同难、成本高
怎么解决	自我反思、增强规划、MCP协议、记忆升级、多Agent协作

7.2 一句话总结

AI Agent的本质是用LLM当大脑，通过ReAct循环不断思考、行动、观察，直到完成任务。它很强大，但远非完美——规划能力不足、记忆有限、爱幻觉、多工具协同困难，这些都是当前亟待解决的问题。官方和学术界正在通过自我反思、增强规划、MCP标准化、记忆升级和多Agent协作等方式逐步攻克这些难题。

小编建议

1. 别迷信“万能Agent” ——垂直场景比通用场景更容易成功

2. 简单任务别用Agent ——能用普通LLM解决的问题，别上Agent

3. 做好容错 ——Agent一定会犯错，设计好降级方案

4. 关注成本 ——ReAct模式token消耗大，做好预算控制

5. 重视记忆 ——没有好记忆的Agent，用户体验一定差

AI Agent还在快速进化中，还需要一个阶段性的时间！