因为我最近在看对应的agent的一些知识，而且我现在也在用cursor和claude code这两个产品，所以个人有些拙见

鉴于我的公司不是一个agent的公司，所以这个知识一个有趣的一个理论

猜测看到的一些agent的大致思路

现在的agent主要有用的是深度agent，用langchain这个公司的说法，就是将问题列一个表，然后agent按照这个步骤去完成，这样的话任务就不会偏离，因为agent在做这些步骤的时候不需要知道前面那个任务对应的所有的上下文信息，他只需要对应的结论，如

我现在有一个叫ai去帮我规划旅游想法：

那么可以拆分成

主题： 用户需要去旅游
1. 搜索网络上有名的旅游信息
2. 搜索对应的机票或高铁票信息
3. 设置旅游信息设计旅游路线
​
当前任务步骤：1
    搜索网上有名的旅游信息

主题： 用户需要去旅游
1. 搜索网络上有名的旅游信息
2. 搜索对应的机票或高铁票信息
3. 设置旅游信息设计旅游路线
任务完成情况：
1. 湖北武汉步行街
2. 大冶铜绿山
​
当前任务步骤：2
    搜索武汉步行街，大冶铜绿山的飞机票和高铁票，整理对应的旅游路线

这个是现在的一个ai解决问题的一个思路，可以看到，把任务根据步骤拆分，那么我只需要管对应步骤的任务，对于已完成的任务，我只是要他的一个结果，或者说一个结论，我就可以用尽量少的上下问，去完成对应的任务，对应任务进行的时候搜索的大量介绍的文本或者其他的都不需要，只需要将对应的任务的结果发送出来，有可能你说，这个任务的结果，信息太少，那么也可以通过agent，去将总结，如把旅游的推荐理由等信息添加上，那么就可以给用户更多的信息

，对应一些难的一个任务，现在的做法则是在每一个任务的步骤中，判断这个搜索对不对

如：搜索第一个结果后

主题：用户需要去旅游
1. 搜索网络上有名的旅游信息
结果：
    1. 湖北武汉步行街
    2. 大冶铜绿山
用户输入：我想去看黄网的景点

那么，就会重新进入这个节点，直接去搜索黄冈的一个信息，这样方式去修正他的任务目标，然后根据新的任务目标去执行对应的一个任务，这样反反复复，直到达成任务目标

注意

1. 这个react这个用户react的这个流程，好像是只有claude code 复杂任务才有，cursor中目前没有遇到过这种任务流程，并且claude code中应该有一个任务的评判，这个任务简单的化好像就不会去触发这个流程

一些当前agent项目用的技术猜想

本地化open claw 全局agent配置

因为每一个人用的ai的方式都是不同的，同样一个问题，有的用户可能需要比较详细的技术实现的一个理论，有的用户只注重对应的结果，有的用户只喜欢用严谨的语言，有的用户喜欢用开放式的去实现，但是如果用户每次使用ai强调这个的话是不是有点太浪费时间，那么是不是可以借用抖音的一个思维，就是给用户标签话，那么我们也可以在agent项目中在用户的电脑本地中创建一个agent备注，用来确定用户的性格，如在之前的对话中判断用户喜欢每次对话有对应的总结，那么在后续的新的agent提示词中直接加上这一步，通过这种动态提示词的方式让用户不需要再去输入这些注意事项

主题修正

像cursor和claude中应该使用了这种主题的修正，就是提示词中的主题他是变动的，就是我在使用claude的时候使用过一个很离谱的主题，但是ai在查看了这个主题并判断这个主题是不合理的非人类的时候，就会将这个主题从这个对话中去掉，但是本地还是存储的，只有当我主动提起的时候他才会去查看这个主题，并告诉我这个主题是不合理的，那么说明现在的agent项目对应的主题应该是变动的，他是根据用户的需求，一步步修正的，并且在判断某一个对话不合理的话就会将对应的对话记录从对话中剔除，只有在用户再次强调的时候才会从你的硬盘中读取梳理并以新的角度添加到对话中

多模态猜想

目前的训练是moe，就是将一个大模型分成几个小的专家模型，对应领域的知识由小模型，而有一个决策者，也就是说当你在问对应的问题的时候，就会激活对应的专家，从而达到模型避免因为知识太多导致出现大量的幻觉，提高的模型的专业能力，并且因为没有大量多余的知识导致模型不需要遍历那么多的知识，所以提高了对应的效率，所以我在想，对于识别是不是也可以这么多，就是类似于一个ai是管理视觉识别，他用来整合视频的上下的变化帧，而我们的数据模型通过视觉模型对于两个画面的描述是更准确的判断这个画面干什么，当然要整合这两个模型的信息交互我目前觉得是十分难的

结尾

目前我想到的就这么多，只是基于一些表象推理出来的一些理论，因为本人不是搞ai训练的，所以对于很多模型训练的不是很懂

，所以这个文档只是图一乐