我们来说说 Agent 的基础框架是什么

简单来说，Agent的基础框架是一个“感知-决策-执行-学习”的闭环循环系统。它的核心思想是：让一个智能体（Agent）能够像人一样，观察环境、思考判断、采取行动，并从行动结果中学习改进。

我们可以把一个标准的Agent框架拆解为 四大核心模块，它们相互作用，构成了Agent的灵魂。

Agent 基础框架的四大核心模块

1. 感知模块 (Perception Module) —— Agent的“五官”

这是Agent与外部环境交互的入口。它负责接收并理解来自环境、用户或其他Agent的信息。

• 功能：将原始、非结构化的数据（如文字、图像、语音、传感器读数）转化为Agent内部可以理解和处理的结构化状态。
• 关键技术：

• • 文本感知：读取用户输入的Prompt或系统指令。
  • 多模态感知：利用视觉语言模型（VLM）识别图像、理解视频帧；利用语音识别模型（ASR）处理音频。
  • 结构化数据感知：解析JSON、XML、数据库查询结果等。

• 输出：一个结构化的“状态”（State）描述，作为大脑模块的输入。

2. 大脑模块 (Brain Module) —— Agent的“CPU和操作系统”

这是最核心、最复杂的部分，负责所有决策和逻辑处理。我们也可以把大语言模型（LLM）看作大脑的“思考皮层”。

大脑模块内部又可以细分为几个关键子模块：

• A. 意图理解与任务分解

• • 功能：解析用户的模糊指令，明确其真实意图。然后将一个复杂任务（如“帮我分析一下特斯拉第三季度的财报并写一份摘要”）分解成一系列可执行的、有序的子任务或步骤。
  • 示例：任务分解为 1. 搜索并获取特斯拉Q3财报 -> 2. 提取关键财务数据（收入、利润、交付量） -> 3. 概括管理层评论 -> 4. 整理成摘要格式。

• B. 规划与决策 (Planning & Reasoning)

• • 功能：制定达成目标的行动计划。它会根据当前状态和分解后的任务，决定下一步要做什么（是调用一个工具，还是生成一段文本，还是询问用户）。这一过程常需要推理能力。
  • 关键技术：

• • • Chain-of-Thought (CoT) ：通过“让我们一步步思考”来引导模型进行复杂推理。
    • Tree-of-Thoughts (ToT) ：探索多种推理路径，并选择最优解。
    • ReAct (Reason + Act) ：交替进行“推理”和“行动”，让模型思考当前情况并决定下一步行动。
    • 计划-执行 (Plan-and-Execute) ：先制定完整的计划步骤，然后再逐步执行。

• C. 工具调用 (Tool Use / Function Calling)

• • 功能：这是Agent突破语言模型局限的关键。Agent需要调用外部工具来获取实时信息、执行计算、操作软件等。LLM会生成一个特殊的结构化输出（如JSON），指定要调用哪个工具以及传入什么参数。
  • 工具示例：搜索引擎API、计算器、代码解释器（Python）、数据库查询器、日历应用、发送邮件函数、甚至是操控机械臂的API。
  • 流程：大脑决策: 需要查询天气 -> 生成: { "tool": "get_weather", "params": {"city": "Beijing"} } -> 执行模块调用工具 -> 将结果返回给大脑。

3. 执行模块 (Execution Module) —— Agent的“手脚”

这个模块负责将大脑的决策转化为对环境的具体操作。

• 功能：接收大脑模块发来的具体动作指令，并精确地执行它。执行后，环境状态会发生变化。
• 动作类型：

• • 原子动作：一次简单的操作，如“点击按钮”、“发送文本”、“调用一次API”。
  • 复合动作：由一系列原子动作组成的脚本。
  • 输出动作：直接生成回复给用户，这是最常用的一种“执行”。

• 反馈：执行完成后，该模块会将执行结果（成功/失败、返回的数据）反馈给大脑模块，形成闭环。大脑模块会据此判断下一步行动。

4. 记忆模块 (Memory Module) —— Agent的“笔记与档案”

这是让Agent能进行多轮交互和长期学习的关键。没有记忆，Agent每次对话都是“失忆”的。

记忆分为两大类：

• 短期记忆 (Short-term Memory) ：

• • 对应：当前对话的上下文。
  • 实现：将所有对话历史（用户指令、Agent的推理和行动、工具返回结果）都放在LLM的上下文中（Context Window）。缺点是受限于模型的最大上下文长度。

• 长期记忆 (Long-term Memory) ：

• • 对应：在多个会话中持久化的知识或经验。
  • 实现：通常使用向量数据库。Agent会将重要的信息（如用户的偏好、已解决过的问题、领域知识）进行向量化嵌入（Embedding）并存储。当需要回忆时，它会对问题做同样的向量化，去数据库中检索最相关的信息，然后将这些信息注入到当前的工作上下文中。
  • 用途：

• • • 事实记忆：“用户上周说过他喜欢喝美式咖啡。”
    • 过程记忆：“上次解决数据库连接错误时，我重启了服务并清理了缓存。”
    • 经验学习：通过反馈（如用户点击“不喜欢”）来调整未来行为。

完整的运行流程示例：一个“旅行规划Agent”

让我们用一个具体例子串联起所有模块：

用户输入：“帮我规划一个去东京的5天4晚旅行计划，预算中等，我比较喜欢动漫文化。”

1. 感知模块：接收文本，将其转化为内部状态 UserIntent: travel_planning, Destination: Tokyo, Duration: 5days, Preference: anime。
2. 大脑模块（短期记忆加载） ：Agent的短期记忆（上下文）中包含当前这个用户请求。
3. 任务分解：大脑内部将任务分解为子任务：

• • Step 1: 搜索东京动漫相关景点（秋叶原、三鹰之森吉卜力美术馆等）。
  • Step 2: 查找中等价位的住宿推荐。
  • Step 3: 规划每天的交通路线。
  • Step 4: 生成完整的日程表。

4. 规划与工具调用：

• • 推理：“我需要获取实时信息，因为我的内部知识可能过时且没有具体预算信息。”
  • 动作1：调用 web_search 工具，参数 query="东京 动漫景点 推荐 最新"
  • 动作2：调用 map_search 工具，参数 location="Tokyo", query="中等价位酒店 靠近秋叶原"

5. 执行模块：并行（或顺序）调用真实的网络搜索API和地图API，并将结果（景点列表、酒店列表）返回给大脑。
6. 大脑再决策：收到工具返回的原始信息后，大脑模块利用LLM的生成能力，结合所有信息，规划出一条合理的、包含日期、景点、住宿、饮食建议的5日行程。
7. 执行模块（输出） ：将最终生成的计划文本输出给用户。
8. 记忆模块（长期） ：在这次对话结束后，Agent可以将“用户：张三，偏好：动漫文化，目的地：东京”这条信息存储到长期记忆中。下次该用户再问“帮我推荐一部动漫主题的旅行目的地”时，Agent就能检索到这条记忆并给出个性化建议。

总结

最重要的核心思想：

• LLM作为“推理引擎” ：Agent不是简单地生成文本回复，而是把LLM当作“思考核心”来生成决策、规划和工具调用指令。
• 闭环循环：感知 -> 决策 -> 执行 -> 再感知... 这个循环让Agent能够应对动态、复杂的任务。
• 工具扩展能力：Agent的能力边界由其可调用的工具集决定。通过工具，Agent可以操作整个世界（数字或物理）。

面试回答

一个 Agent 的基础框架，本质上就是一个 ‘感知-决策-执行’的闭环循环系统。

具体拆开看，我把它理解为四个必须的模块：

1. 大脑模块：这是核心。它不负责输出最终答案，而是负责推理。比如‘我现在该用哪个工具？用户到底要什么？’——典型代表是 ReAct 模式（推理+行动）。
2. 感知模块：Agent 怎么接收信息？不只是文本，还有图像、语音、甚至系统报错日志。这一步决定它能否理解当前状态。
3. 执行模块：这是 Agent 的‘手和脚’。比如调用搜索引擎、写代码、发API请求。
4. 记忆模块：要分两层——短期记忆（当前对话上下文，像人脑子里想着的事）和长期记忆（存在向量数据库里的历史知识，像人翻笔记本）

举个例子：

我要 Agent 帮我订杯咖啡

• 感知：听到‘我渴了’；
• 大脑：推理出‘需要订咖啡’；
• 记忆：想起我上周点的是冰美式；
• 执行：调用外卖 API 下单。

这就跑完了一个完整的 Agent 循环。