一、从一个比喻开始：人类如何完成一项复杂任务？
假设你是一个活动策划，今天接到任务：为公司200人年会设计一个方案，三天后汇报。
你会怎么做？
- 先想清楚要干什么（规划）：把大任务拆成小任务——场地、预算、节目、餐饮、主持……
- 调用已有的知识和经验（记忆）：你记得去年的供应商报价，你记得哪个节目类型最受欢迎。
- 打电话查资料、用工具（工具调用）：你打开地图找场地，调出Excel算预算，发邮件给供应商问报价。
- 执行并不断根据反馈调整（ReAct循环）：场地报价太高，重新找；节目时长超了，重新排……
你就是一个Agent。规划、记忆、工具、执行循环，这四件事你每天都在做，只是不叫这个名字。
现在，OpenAI前安全主管Lilian Weng在她的著名博文《LLM Powered Autonomous Agents》中，把这个过程精确地映射到了AI Agent的架构上。
二、Agent的四大要素：拆开来看
1. 规划（Planning）：大模型的"分解力"
规划，是把一个复杂任务拆成可执行的子任务序列的过程。
听起来简单，但这恰恰是大模型出现之前的Agent最难做到的事。传统AI要么死守规则，遇到没见过的情况就不知所措；要么只会反应式处理，根本没有"先想清楚再行动"的能力。
大模型改变了这一点。它有两类关键的规划技术：
任务分解
思维链（CoT）：让模型"一步一步地思考"。这不是一个特殊功能，而是一种提示技巧——在提示词里加上"请一步一步推理"，模型就能把隐式的推理过程显式化，把大任务自然分解成小步骤。
思维树（ToT）：CoT的升级版。CoT是一条线，ToT是一棵树——每一步都探索多种可能性，用广度优先或深度优先搜索来找最优路径。复杂问题用CoT可能走进死路，ToT能回溯重试。
自我反思
规划不是一次性的，好的Agent要能"反思自己的决定"。这里有三个框架很重要：
- ReAct（后面会详细展开）：边推理边行动，边行动边观察反馈，构成循环。
- Reflexion：让Agent在行动后回顾"我做得怎么样"，用过去的反思改进下一轮决策。
- CoH（Chain of Hindsight）：向模型展示一系列带反馈的历史输出，让它学会从失败中改进。
这三者的共同点：Agent不再是一次性给出答案的机器，而是有了迭代和进化的能力。
2. 记忆（Memory）：大模型的"四种脑子"
这是最容易被忽略，却极其重要的部分。
很多人以为大模型"天生有记忆"，或者"记忆就是上下文窗口"。其实，大模型的记忆有四种不同的机制，每种来源不同、作用不同：
第一种：预训练记忆（参数记忆）
这是大模型最"深层"的记忆。GPT-4在训练时看过互联网上海量的文本，这些知识被压缩进了数十亿个神经元权重里。它"知道"水是湿的、合同有法律效力、Python用缩进控制结构——这些不需要任何提示，是天生就有的。
但这种记忆有一个关键缺陷：一旦训练完成，就固定了。今天发生的新闻、你公司内部的数据，它一概不知。
第二种：上下文记忆（短期记忆）
这就是你和大模型对话时的"当前窗口"。把历史对话全部塞进prompt，模型就能"记住"前面说了什么。这属于提示工程的范畴。
局限也很明显：上下文窗口有限，长对话后早期内容会被截断或遗忘。用人类来比喻，这就是"工作记忆"——容量有限、不持久。
第三种：微调记忆（长期参数记忆）
在更具体的数据集上进一步训练模型，让它"专精"某个领域。比如把大量医疗病历喂给模型做微调，它在医疗问答上的表现就会显著提升。
这种方式成本高、周期长，适合垂直场景的深度定制，不适合频繁更新知识。
第四种：外部记忆系统（向量数据库）
这是给大模型加"外挂第二大脑"的方式，也是RAG（检索增强生成）技术的核心。
把大量文档、知识库、历史记录向量化存储，每次对话时先检索相关内容塞进上下文，模型就能"参考"远超上下文窗口的外部知识。
想象一下：一个法律AI Agent，它的"脑子"里不仅有预训练的法律常识，还能实时检索最新的法律法规数据库。这就是外部记忆的价值。
四种记忆的关系：
| 记忆类型 | 容量 | 更新速度 | 持久性 |
|---|---|---|---|
| 预训练 | 极大 | 极慢（重训） | 永久 |
| 上下文 | 有限 | 实时 | 会话内 |
| 微调 | 较大 | 慢（重训） | 永久 |
| 外部系统 | 无限 | 实时 | 持久 |
真正强大的Agent，需要把这四种记忆协同使用。
3. 工具调用（Tool Use）：从"大脑"到"手脚"
这是Agent与ChatGPT最本质的差别。
ChatGPT只有一颗大脑，它能说、能想，但它的世界终结于对话框。没有工具调用能力的AI，再聪明也只能"想"，不能"做"。
工具调用让Agent有了"手脚"：
- 搜索工具：知识库不够用？去搜索引擎找最新信息。
- 计算器：让模型算复杂数学，不靠"猜"而靠精确计算。
- 代码执行器：让模型写完代码直接跑，看真实输出。
- 日历、邮件、数据库API……几乎任何外部系统都可以封装成工具。
举个实际例子。假设Agent接到任务："帮我找到今天北京最便宜的一束玫瑰花，并估算一下100元预算能买几束。"
没有工具的模型：凭训练数据里的"记忆"给出一个可能严重过时的价格。
有工具的Agent的执行路径：
- 调用搜索工具，查询"北京玫瑰花今日价格"
- 收到搜索结果，提取价格数据
- 调用计算器，计算100÷单价
- 综合信息，输出最终答案
这两者的差距，不是"准不准"的问题，而是"能不能做到"的问题。
工具调用的挑战在于：
- Agent需要知道何时用工具（不是每个问题都要调工具）
- Agent需要知道用哪个工具（工具选择策略）
- Agent需要协调多个工具的使用顺序（复杂任务下的工具编排）
这些问题，恰好是ReAct框架要解决的。
4. ReAct框架：把三件事串起来的"推理引擎"
ReAct（Reasoning + Acting）是2022年由Shunyu Yao等人在论文中提出的框架，发表于ICLR 2023。
它的核心思想极其简洁：把推理和行动交织在一起，形成循环。
ReAct的循环只有三步：
思考（Thought）→ 行动（Action）→ 观察（Observation）→ 思考……
每一轮：
- 思考：评估当前情况，决定下一步要做什么
- 行动：执行决定（可能是调用工具，可能是直接输出）
- 观察：收集行动的反馈结果
然后把"观察"的结果输入下一轮"思考"，循环往复，直到任务完成。
这个循环有多重要？
来看一段真实的Agent执行过程（书中原文）：
问题：当前Agent最新研究进展是什么？ 思考：我需要搜索关于Agent的最新研究 行动：Search（"Agent最新研究进展"） 观察：[搜索结果：多篇论文摘要...] 思考：搜索结果提到了AI对齐，我需要更多信息 行动：Search（"Agent AI alignment 2024"） 观察：[更多搜索结果...] 思考：现在我掌握了足够信息 最终答案：多Agent强化学习、AI对齐等领域已取得重大进展...注意：相同的问题，Agent两次运行给出了不同的搜索策略和不同的答案。这不是bug，这是Agent在动态地"思考"如何解决问题。它不是硬编码的流程，而是实时推理的产物。
这正是ReAct框架的精髓：操作的序列不是硬编码在代码里的，而是由大模型实时决定的。这是AI自主决定应用程序逻辑的新编程范式。
三、四个要素怎么协同工作？
现在把四件事放在一起看：
用户输入任务 ↓ [规划] 大模型分析任务，制定执行计划 ↓ [记忆] 检索相关历史信息和外部知识 ↓ [ReAct循环] 思考 → 行动（调用工具） → 观察结果 → 思考 → ... ↓ 任务完成，输出结果 ↑ [记忆] 将本次交互结果存入记忆系统用书中KwaiAgents项目的架构来描述：
- 接收任务：输入查询+背景知识+人设指令
- 记忆更新：确认记忆系统是最新状态
- 记忆检索：从记忆库中取出相关信息
- 任务规划：大模型生成包含工具调用计划的执行序列
- 工具执行：按计划调用工具，观察结果
- 循环判断：任务完成则输出，否则继续规划
- 总结输出：整合所有信息，生成最终答案
这七步，就是一个完整的Agent工作循环。
四、除了ReAct，还有哪些认知框架？
ReAct是最主流的，但不是唯一的。书中还介绍了几个值得了解的框架：
函数调用（Function Calling）：OpenAI提出的方式。大模型作为"调度中心"，直接调用预定义的函数。比ReAct更结构化，适合与现有系统深度集成。
计划与执行（Plan-and-Execute）：先完整规划所有步骤，再统一执行。ReAct是边想边做，这个是先想好再做。适合确定性高、步骤清晰的复杂任务。
自问自答（Self-Ask）：让大模型对自己的问题提出追问，层层深入。适合需要多角度分析的复杂查询。
批判修正（Critique-Revise）：也叫Self-Reflection。模型先输出，再批判自己的输出，再修正，循环直到满意。适合创作、分析类任务。
思维链 / 思维树（CoT / ToT）：前文已讲，线性推理 vs. 树状搜索，复杂度越高越倾向用ToT。
选哪种框架，取决于任务类型和环境确定性。没有最好的框架，只有最合适的框架。
五、用50行代码跑起来一个真正的Agent
理论说够了，来看代码。
书中用LangChain + OpenAI + SerpApi，实现了一个会自主搜索并总结"Agent最新研究进展"的Agent。核心逻辑不超过50行：
from langchain import hub from langchain_openai import OpenAI from langchain_community.utilities import SerpAPIWrapper from langchain.agents.tools import Tool from langchain.agents import create_react_agent, AgentExecutor # 1. 获取ReAct提示模板（来自LangChain Hub社区） prompt = hub.pull("hwchase17/react") # 2. 创建大模型实例（推理引擎） llm = OpenAI() # 3. 定义工具（Agent的手脚） search = SerpAPIWrapper() tools = [Tool( name="Search", func=search.run, description="当大模型没有相关知识时，用于搜索知识" )] # 4. 构建ReAct Agent agent = create_react_agent(llm, tools, prompt) # 5. 创建执行器并运行 agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) agent_executor.invoke({"input": "当前Agent最新研究进展是什么？"})五步，每一步对应一个要素：
hub.pull：加载ReAct框架的提示（规划指南）OpenAI()：推理引擎（大脑）Tool(Search...)：工具（手脚）create_react_agent：把三者组合成一个AgentAgentExecutor.invoke：触发ReAct循环，自主完成任务
最关键的是这个ReAct提示模板。它的内容大致是：
尽你所能回答以下问题。你可以使用以下工具：{工具列表} 请按格式回答： 问题：{输入问题} 思考：你应该思考接下来怎么做 行动：从工具列表中选一个 行动输入：工具的输入参数 观察：工具的执行结果 ...（可重复N次） 思考：我现在知道答案了 最终答案：最终答案正是这个提示，让大模型从"生成文本的模型"变成了"遵循ReAct框架思考并行动的Agent"。提示工程的价值，在这里体现得淋漓尽致。
六、写在最后：这四件事为什么如此重要
我们来把整篇文章做一个收束。
Agent的四大要素——规划、记忆、工具、执行——本质上对应了人类完成复杂任务的四种能力：
- 规划= 思维能力：把大问题拆成小问题
- 记忆= 知识积累：知道的越多，决策越准
- 工具= 行动能力：不只是想，还能做
