AI Agent 工作原理：智能体循环、工具、规划与记忆

从“回答”到“行动”

普通大模型把文字变成文字。**AI Agent（智能体）*则用大模型去完成一个目标*，比如“修好这个失败的测试”“找三家供应商比价”“约周五都有空的人开会”，在一个环境里分很多步采取行动。Claude Code、Codex、Gemini CLI、Goose、OpenCode 这些编程 Agent 是目前用得最广的例子。

智能体循环

所有 Agent 的核心都是同一个循环：

flowchart TB
  G["目标 + 指令 + 可用工具"] --> T["大模型：思考下一步"]
  T -->|"调用工具"| A["执行工具（代码、搜索、文件、API、浏览器）"]
  A --> O["观察：工具结果或报错"]
  O --> C["更新上下文 / 记忆"]
  C --> T
  T -->|"完成，或需要人介入"| F["最终答案 / 交给人"]

这就是 ReAct 模式（Yao 等，2022）：推理（“测试失败是因为日期按 UTC 解析了，我去看看解析器”）、行动（一次工具调用）和观察结果交替进行。Toolformer（Schick 等，2023）等早期工作证明模型能学会何时调用工具；如今的模型经过训练，可以原生输出结构化的工具调用（见 工具调用与 MCP）。

写成代码，一个最小的 Agent 短得出人意料：

messages = [system_prompt, user_goal]
while True:
    reply = llm(messages, tools=TOOLS)          # 模型可能请求调用工具
    messages.append(reply)
    if not reply.tool_calls:                     # 不再行动 → 给出最终答案
        break
    for call in reply.tool_calls:
        result = run_tool(call.name, call.args)  # 在沙箱中执行，并做权限检查
        messages.append(tool_result(call.id, result))

其余的一切，规划、记忆、安全、评估，都是为了让这个循环更可靠。

基本组件

**规划。**Agent 写下并不断更新一份明确的计划，并对失败做反思，效果会更好。Reflexion（Shinn 等，2023）会把失败尝试中总结出的教训用文字存下来，再重新尝试。

记忆。上下文窗口就是短期记忆，很快会被工具输出塞满。Agent 会做摘要、把笔记写进文件，或从长期记忆库中检索。Generative Agents（Park 等，2023）把记忆流和按“新近度、重要性、相关性”检索结合起来。每一步该把什么放进上下文窗口，常被称为上下文工程。

**环境和模型一样重要。**SWE-agent（Yang 等，2024）发现，给模型一个专门设计的“Agent-计算机接口”（简洁的文件查看器、搜索和编辑命令，并且反馈清晰），比直接给它一个原始终端，在 SWE-bench 上的成绩明显更好。

工作流与 Agent

Anthropic 被广泛引用的指南（Building effective agents）区分了两类系统：

• 工作流：沿着预先写好的代码路径编排多次大模型调用，包括提示链、路由、并行化、编排者-执行者、评估者-优化者。
• Agent：由大模型动态决定自己的流程和工具使用。

它的建议是：从最简单可行的方案开始，只有任务真正需要灵活的多步决策时才增加自主性。Agent 消耗更多 token、更慢，而且错误会累积。

Agent 为什么会失败

真实任务基准（见 Agent 评估）和一线经验都指向一些反复出现的失败原因，其中很多在软件层，而不在模型本身：

• 选工具：需要的工具不存在，或者相似的工具太多让模型选错。
• 工具说明与报错：参数文档含糊、报错信息没用、输出太大塞不进上下文。
• 环境：缺少依赖、登录墙、验证码、界面变化。
• 长链条任务：每一步的小错误在几十步里不断累积；上下文丢失或被污染。
• 安全：Agent 读到的内容里可能藏着劫持它的指令（见 提示注入与工具投毒）。

正因为如此，Agent 调用的软件本身，包括说明写得好不好、权限怎么给、有没有经过测试，都非常重要；这也是本站从 Agent 的视角整理软件档案的原因。

下一步

在 工具调用与 MCP 里学习工具调用的具体机制，然后继续 Agent 的规划与记忆、A2A 与多 Agent 协作、代码沙箱、浏览器与电脑操作（编写中）。