AI Agent 核心组件 | 菜鸟教程

一个 AI Agent 为什么能够理解任务、调用工具，并根据执行结果继续工作？关键在于它内部的模型、工具、记忆和规划等模块，以及负责组织这些模块运行的执行逻辑。
例如，让一个 Agent 完成"读取 Excel 销售数据，生成统计图表并保存报告"，整个过程可能涉及：
这些操作并不完全由大语言模型直接完成，而是由模型、外部工具和执行程序共同实现。
理解 AI Agent 的核心组件，有助于我们进一步了解 Agent 的工作原理，以及如何开发自己的 Agent 应用。
从功能上看，一个典型的 LLM Agent 可以分为以下几个部分：
需要注意，这五个部分是一种便于理解的功能划分，并不代表所有 Agent 都必须采用相同的架构。
简单的 Agent 可能只需要一个大语言模型和几个工具；复杂的 Agent 则可能增加长期记忆、任务调度、多 Agent 协作和运行状态管理等能力。
感知负责接收 Agent 在执行任务时需要处理的信息，包括用户输入、文件内容、外部数据以及工具返回结果。
对于传统的文本 Agent，输入通常是文字；对于多模态 Agent，输入还可以包括图片、声音、视频等内容。
例如，一个浏览器 Agent 在执行"打开网页并填写表单"时，可能需要读取网页 DOM 结构或者页面截图，判断输入框和按钮的位置，再决定下一步操作。
不同 Agent 获取环境信息的方式并不相同。有些通过 API 获取结构化数据，有些通过屏幕截图和计算机操作工具与软件交互。
感知获得的信息会被整理为模型可以处理的上下文，供后续推理和决策使用。
大语言模型（Large Language Model，LLM）通常是 Agent 的核心推理组件，主要负责理解任务、分析上下文以及决定下一步需要采取的操作。
常见的模型包括 GPT、Claude、DeepSeek、Qwen 等系列模型。
在 Agent 系统中，模型主要承担以下工作：
查询北京明天的天气，如果有雨就提醒我带伞。
模型可以识别出任务包含两个步骤：首先获取天气预报，然后根据天气情况判断是否生成提醒。
但是，模型本身并不能凭空获取可靠的实时天气数据，它需要调用天气查询工具。
模型根据工具的名称、参数说明和当前任务生成调用请求，由 Agent 的执行程序完成实际调用。
工具返回天气数据后，模型再根据结果决定后续操作。
因此，模型主要负责判断和生成调用指令，真正执行操作的是外部程序或工具。
说明：模型能力会影响 Agent 的任务理解和决策质量，但 Agent 的实际表现还与工具质量、系统提示词、执行环境、权限控制和结果验证机制等因素有关。
工具是 Agent 与外部环境交互的重要方式。
大语言模型擅长理解和生成内容，但实际工作往往涉及访问文件、查询数据库、运行程序或者操作其他软件，这些都需要借助外部工具。
例如，Agent 要分析 Excel 文件，就需要具备文件读取和数据处理能力；要发送邮件，则需要能够访问相应的邮件服务。
Function Calling 是 Agent 调用外部工具的一种常见实现方式。
开发者先定义工具的名称、功能以及需要的参数，模型根据用户任务选择合适的工具，并生成结构化的调用参数。
当用户要求查询北京明天的天气时，模型可能生成类似以下的工具调用参数：
以上日期仅用于演示。实际应用中，应根据当前日期和用户所在时区计算查询日期。
Agent 的执行程序接收到调用请求后，调用对应的天气 API，并将查询结果返回给模型。
需要注意，模型生成工具调用请求，并不代表工具已经执行成功。实际执行、权限检查、异常处理以及结果返回，通常由 Agent 的运行环境负责。
除了 Function Calling，开发者也可以通过 MCP（Model Context Protocol）等方式集成外部工具和数据源。
Agent 在执行任务时，需要保留一定的上下文信息，才能知道当前任务进行到了哪一步，以及之前的操作得到了什么结果。
这种信息保存和使用机制通常称为记忆（Memory）。
根据保存时间和用途，可以将记忆分为以下几类。
短期记忆主要保存当前对话和正在执行的任务信息。
例如，用户先说"帮我分析这个 Excel 文件"，随后又说"把结果生成柱状图"，Agent 需要结合之前的上下文，才能知道第二条指令对应哪份数据。
短期记忆通常依赖模型上下文窗口或应用维护的会话状态。
由于模型上下文窗口存在长度限制，长时间运行的 Agent 可能需要对历史信息进行截取、摘要或外部存储。
长期记忆用于保存需要跨会话使用的信息，例如用户偏好、历史任务记录、项目资料等。