支付宝打赏 
微信打赏 
Agent（智能体） 指的是一个基于 LLM 驱动的 自主决策系统。
它能够根据 环境输入进行推理、规划，并采取适当的行动来解决任务。
Agent 就是一个利用 LLM 作为核心推理引擎，并结合工具（Tools）、记忆（Memory）、规划（Planning）等能力的智能系统。
它不仅可以回答问题，还可以 调用 API、执行代码、查询数据库、与外部环境交互，甚至可以自主拆解复杂任务并逐步完成。
LLM Agent = 大语言模型（LLM）+ 记忆（Memory）+ 工具调用（Tools）+ 规划（Planning）+ 执行动作（Actions）。
| 类别 | LLM（大语言模型） | Agent（智能体） |
|---|---|---|
| 核心功能 | 生成和理解自然语言 | 自主决策，执行任务 |
| 是否有记忆 | 通常无长期记忆（但可使用外部存储） | 可结合记忆组件，存储和检索信息 |
| 是否调用工具 | 仅基于内部知识回答 | 可调用 API、数据库、计算器、搜索引擎等外部工具 |
| 是否具备规划能力 | 仅基于单步推理 | 可进行多步推理、拆解任务、规划执行 |
| 应用场景 | 问答、翻译、文本生成 | 自动化任务、数据采集、智能决策 |
Agent 主要结构：记忆、规划、工具、行动：
记忆（
Memory）：
- 短期记忆，如上下文学习。
- 长期记忆，如向量数据库。
规划（
Planning）：
- 事前规划，复杂任务拆解。
- 事后反思，反思错误不足并吸取经验教训进行完善，形成和加入长期记忆。
工具（
Tool）：外部API或工具调用。行动（
Action）：实际执行决定或响应。
跟
Embedding模式和Copilot模式不同，Agent具备独立思考、自主执行、持续迭代的特点。但是目前大多
Agent都是RAG+API调用的方式，感觉离独立思考、自主执行、持续迭代还很远。
Agents决策
Perception（感知）：
对 prompt（输入）进行解析，提取关键信息，并将处理后的输入传递给 Agent。
Planning（规划）：
Agent 根据感知到的信息，对任务进行拆解，制定执行步骤。
Action（执行）：
按照规划的步骤，执行具体的子任务。
Observation（观察）：
评估执行结果，如果结果符合预期，则继续循环，否则，调整规划并重新执行。