AI Agent 学习笔记

Planning

任务拆解 + 顺序决策 + 结果再调整。

最常用的是 ReAct 模式：reason + action

Memory

短期记忆：prompt 中携带

长期记忆：向量数据库

Context

在有限 token 内，把“最有用的信息”动态塞进 Prompt

解决办法：

• 滑动窗口
• 总结压缩历史对话

Context VS Memory

概念	定义	特点	示例
上下文（Context）	当前任务或对话中的即时信息，用于理解和生成下一步动作	短期、临时、仅在当前执行或会话有效	对话中最近几轮消息，当前任务状态，环境信息
记忆（Memory）	Agent 历史交互或知识的长期存储，用于跨任务或跨会话引用	长期、可持续、可检索	用户偏好、历史操作记录、外部文档存储

什么是 AI Agent

利用 LLM 能力，结合 Tools，Memory，Planning ，自动执行复杂任务。

Agent 和 LLM 区别

LLM 只负责内容生成，Agent 可以执行任务

执行流程：

• Thought（思考）
• Action（调用工具）
• Observation（观察结果）
• Loop（循环）

Function Calling 是什么

LLM 输出结构化参数，调用Tools

Agent 为什么需要 Memory

减少幻觉

短期记忆：对话上下文

长期记忆：向量数据库（RAG）

Agent 核心架构

User Input
  ↓
Planner（规划）
  ↓
LLM（决策）
  ↓
Tool Executor（执行）
  ↓
Memory（更新）
  ↓
Loop

如何降低 Agent 幻觉

• RAG，回答引入原文档
• Tool Calling
• 结构化 json schema输出
• 调参数，换模型
• 设计 prompt，增加约束条件

设计一个 Agent 系统

接入层：

• API/Chat UI

Core 层：

• Planner
• Executor
• Memory

Tools 层：

• 外部 api
• Db

存储层：

• 向量数据库

可观测性：

• trace
• log

Agent 如何评估

• benchmark
• 测试用例
• 在线用户反馈
• 模型评估模型

多agent 如何编排

1 、中心化编排

    Orchestrator Agent
    /      |       \
Agent A   Agent B   Agent C

2 、工作流/DAG 编排

主流框架：LangGraph

Start → Agent A → Agent B → Agent C → End