智能体概述
智能体概述
本章介绍 AI Agent（智能体）的定义、核心公式、类型谱系与工程栈总览，并给出整套手册的知识地图。
核心参考资料：hello-agents（Datawhale 出品，16 章系统教程）、learn-claude-code（shareAI-lab 出品，12 节从零手写 Claude Code）。
定义
在人工智能领域，智能体（Agent） 被定义为任何能够通过 传感器（Sensors） 感知其所处 环境（Environment），并 自主 地通过 执行器（Actuators） 采取 行动（Action） 以达成特定目标的实体。
在 LLM 时代，这个定义被重新诠释：
┌──────────────────────────────────────────────┐
│ Agent │
│ ┌──────────┐ ┌──────────┐ ┌────────────┐ │
│ │ 感知 │ │ 推理 │ │ 行动 │ │
│ │ Perceive │→│ Reason │→│ Act │ │
│ └──────────┘ └──────────┘ └─────┬──────┘ │
│ ↑ │ │
│ └─────── 观察 Observation ────┘ │
└──────────────────────────────────────────────┘- 感知：读取上下文窗口中的消息、工具返回结果、外部数据源
- 推理：LLM 根据全部可见信息进行思考、规划、决策
- 行动：调用工具（读写文件、执行命令、API 调用等）改变环境状态
Agent 的核心公式
Agent = LLM + Harness（驾驭系统）
LLM → 驾驶者：感知、推理、决策
Harness → 载具：工具、知识、观察、行动接口、权限模型做决策，Harness 执行。模型做推理，Harness 提供上下文。两者缺一不可。
Agent 的类型谱系
| 类型 | 能力 | 代表 |
|---|---|---|
| Simple Agent | 单轮问答，无工具 | 基础 ChatBot |
| Tool-Use Agent | LLM + 工具调用 | Claude Code、ChatGPT with Tools |
| Planning Agent | 多步规划 + 工具 | Plan-and-Solve、ReAct Agent |
| Reflective Agent | 自我反思 + 迭代优化 | Reflection Agent、Self-Refine |
| Multi-Agent | 多 Agent 协作分工 | Agent Teams、AutoGen、CrewAI |
| Autonomous Agent | 长时程自治、任务认领 | Claude Code 自主模式、Devin |
Agent 工程栈总览
┌─────────────────────────────────────────────────┐
│ Agent 工程栈 │
├─────────────────────────────────────────────────┤
│ Layer 5: 评估层 │ Benchmark、指标、监控 │
│ Layer 4: 协作层 │ 多Agent、MCP/A2A/ANP │
│ Layer 3: 状态层 │ Memory、任务持久化 │
│ Layer 2: 驾驭层 │ Tools、Loop、权限、沙箱 │
│ Layer 1: 上下文层 │ 提示词、上下文工程、RAG │
│ Layer 0: 模型层 │ LLM API、推理、token 管理 │
└─────────────────────────────────────────────────┘Agent 工程演进
Prompt ──→ Context ──→ Harness ──→ Loop
提示词 上下文 驾驭 循环这是 Agent 工程的四个层次，由浅入深、由静到动：
| 阶段 | 关注点 | 核心问题 |
|---|---|---|
| Prompt | 单次模型调用的输入质量 | “怎么写好 prompt？” |
| Context | 多次调用的上下文管理 | “怎么组织模型可见的全部信息？” |
| Harness | 模型的运行环境与工具 | “怎么给模型一双手？怎么控制权限？” |
| Loop | 模型调用的闭环控制 | “模型何时停？何时继续？怎么自驱动？” |
💡 理解这四个层次，就理解了 Agent 工程的完整图景。本手册各章逐一展开。
知识地图（全手册导航）
Agentic（智能体全栈）
├── 00. 智能体概述（本章）
│ ├── Agent 定义：感知 → 推理 → 行动
│ ├── Agent = LLM + Harness
│ ├── 类型谱系：Simple → Tool-Use → Planning → Reflective → Multi-Agent → Autonomous
│ └── 工程演进：Prompt → Context → Harness → Loop
│
├── 01. 模型 API
│ ├── OpenAI Chat Completions
│ ├── Anthropic Messages
│ ├── 工具调用闭环 / 流式响应 / 提示缓存 / 扩展思考
│ └── 对比与选型
│
├── 02. 提示词工程
│ ├── 提问技巧：详细描述、角色扮演、分隔符、分步、示例
│ ├── Zero-shot / Few-shot / CoT
│ └── 结构化输出（JSON）
│
├── 03. 上下文工程
│ ├── 上下文腐蚀 (Context Rot)
│ ├── GSSC 流水线：Gather → Select → Structure → Compress
│ └── 长时程策略：压缩 / 笔记 / 子代理
│
├── 04. Agent 经典范式
│ ├── ReAct：思考 → 行动 → 观察 → 循环
│ ├── Plan-and-Solve：先规划后执行
│ └── Reflection：执行 → 反思 → 优化 → 迭代
│
├── 05. Agent Loop & Tool Use
│ ├── 最小 Agent Loop：while stop_reason == "tool_use"
│ ├── Dispatch Map：加工具 = 加 handler + 加 schema
│ ├── 路径沙箱 (safe_path)
│ └── learn-cc 12 层演进
│
├── 06. 驾驭工程 (Harness)
│ ├── 五要素：Tools + Knowledge + Observation + Action + Permissions
│ └── 设计原则：原子化、按需加载、权限控制
│
├── 07. 记忆系统 (Memory)
│ ├── 三层架构：工作记忆 → 短期记忆 → 长期记忆
│ ├── 生命周期：Formation → Evolution → Retrieval
│ └── 实现：向量数据库 / 知识图谱 / SQLite
│
├── 08. 多智能体与通信协议
│ ├── MCP：Agent ↔ 工具（"USB 接口"）
│ ├── A2A：Agent ↔ Agent（"电话网络"）
│ └── ANP：去中心化社会（"BT 网络"）
│
├── 09. RAG
│ ├── 三步骤：检索 → 增强 → 生成
│ ├── 向量、余弦相似度
│ └── 解决幻觉 / 实时性 / 隐私
│
├── 10. 评估与安全
│ ├── 四大维度：行为 / 能力 / 可靠性 / 安全
│ ├── 方法：规则判定 / LLM-as-Judge / 人评
│ └── 安全：最小权限、审批关卡、沙箱隔离、信任边界
│
└── 11. 常见陷阱与最佳实践
├── 全链路陷阱汇总：上下文 / 工具 / 循环 / 安全 / 记忆 / RAG / 成本
└── 上线前自检清单📚 核心参考
- hello-agents (Datawhale) — 《从零开始构建智能体》，16 章，覆盖基础到 Agentic-RL
- learn-claude-code (shareAI-lab) — “Bash is all you need”，12 节从零手写 Claude Code
- MCP 官方文档 — Anthropic 的模型上下文协议
- A2A 协议 — Google 的 Agent-to-Agent 协议