Agent的"思考" - 智能体

什么是智能体？

智能体是一个能够感知环境、进行推理、制定计划、做出决策并自主采取行动以实现特定目标的AI系统。

智能体以大语言模型为核心，集成记忆、知识库和工具等功能为一体，构造了完整的决策、执行和记忆能力，拥有主观能动性

与普通的AI大模型不同的是，智能体能够：

1. 感知环境：通过各种输入渠道获取信息（多模态），理解用户需求和环境状态
2. 自助规划任务步骤：将复杂任务分解为可执行的子任务，并设计执行顺序
3. 主动调用工具完成任务：根据需要选择并使用各种外部工具和API，扩展自己能力的边界
4. 进行多步推理：同哥思维链逐步分析问题并推导解决方案
5. 持续学习和记忆过去的交互：保持上下文连贯性，利用历史交互改进策略
6. 根据环境反馈调整行为：根据执行结果动态调整策略，实现闭环优化

这样说可能还是会迷茫，但是大概率用过这个功能，比如豆包的思考，这就是AI逐步智能化的体现：

通过智能体，让AI会像人类一样先思考后回答，让答案更准确：

智能体的分类

跟人的成长阶段一样，智能体也是可以不断进化的，按照自主性和规划能力，智能体可以分为几个层次：

• 反应式智能体

  根据当前的输入和固定的规则做出反应，像简单的聊天机器人，没有真正的规划能力

• 有限规划智能体

  能进行简单的多步骤执行，但执行的计划通常都是预设的，或者是有严格限制的，"能干事，但干不了复杂的大事"。

  简单的例子，就是智能体将问题怎么拆解，怎么去思考问题，都是被人为提前定好的，不是智能体自己规划的

• 自助规划智能体

  能够根据任务目标 "自主" 分解任务、制定计划、选择工具并一步步执行，直到完成任务。

  比如25年很火的Manus，它的核心亮点在于其 "自助执行的能力"。

  我们可以在开源的Manus的复刻版 --- OpenManus，这类智能体通过"思考-行动-观察"的循环模式工作

感兴趣的可以把代码下下来看看，后面我会专门出一篇文章聊一下我自己是怎么去学习OpenManus

智能体实现的关键技术

CoT思维链

CoT（Chain of Thought）思维链是一种让AI像人类一样"思考"的技术，帮助AI在处理复杂问题时能够按照步骤思考。

对于复杂的推理类问题，先思考后执行，这样的效果往往更好，可以让模型在生成答案时展示推理过程

CoT的实现方式其实很简单，可以在输入Prompt时，给模型提供额外的提示或引导，比如"让我们一步一步思考这个问题"，让模型以逐步推理的方式生成回答，还可以运用Prompt的优化技巧few shot，给模型提供包含思维链的示例问题和答案，让模型学习如何构建自己的思维链，在OpenManus早期的版本中，有CoT的系统提示词

You are an assistant focused on Chain of Thought reasoning. For each question, please follow these steps:  
  
1. Break down the problem: Divide complex problems into smaller, more manageable parts  
2. Think step by step: Think through each part in detail, showing your reasoning process  
3. Synthesize conclusions: Integrate the thinking from each part into a complete solution  
4. Provide an answer: Give a final concise answer  
  
Your response should follow this format:  
Thinking: [Detailed thought process, including problem decomposition, reasoning for each step, and analysis]  
Answer: [Final answer based on the thought process, clear and concise]  
  
Remember, the thinking process is more important than the final answer, as it demonstrates how you reached your conclusion.

你是一名专注于 "思维链"（Chain of Thought）推理的助手。针对每个问题，请遵循以下步骤：
拆解问题：将复杂问题分解为更小、更易于处理的部分。
逐步思考：详细思考每个部分，清晰展示你的推理过程。
综合结论：将每个部分的思考整合起来，形成完整的解决方案。
给出答案：提供最终简洁的答案。
你的回复需遵循以下格式：思考：[详细的思考过程，包括问题拆解、每一步的推理依据及分析]答案：[基于思考过程得出的最终答案，清晰简洁]
请记住，思考过程比最终答案更重要，因为它能体现你得出结论的逻辑路径。

Agent Loop 执行循环

Agent Loop 是智能体最核心的工作机制，指智能体在没有用户输入的情况下，自主重复执行推理和工具调用的过程。

在传统的聊天模型中，每次用户提问后，AI回复一次就结束了，但在智能体中，AI回复后可能会继续自主执行后续动作(如调用工具、处理结果、继续推理)，形成一个自主执行的循环，直到任务完成（或者超出预设的最大步骤）

我们可以在OpenManus中找到这段Agent Loop的执行循环代码：

先了解几个概念，Agent在执行的时候，有提前定义几个Agent的执行状态:

class AgentState(str, Enum):
    """Agent execution states"""
    IDLE = "IDLE"					// 空闲中
    RUNNING = "RUNNING"		// 运行中
    FINISHED = "FINISHED"	// 已完成
    ERROR = "ERROR"				// 异常

对Agent需要限制最大的思考步长，不能让Agent无限的思考下去，同时考虑出现死循环的情况，需要有个最大步长

max_steps: int = 20

我们来对这run()代码做一下拆解

第一步：检查状态

if self.state != AgentState.IDLE:
    raise RuntimeError(f"Cannot run agent from state: {self.state}")

第二步：初始化用户请求(User Prompt)

if request:
    self.update_memory("user", request)

第三步：状态及上下文的管理

results: List[str] = []
async with self.state_context(AgentState.RUNNING):

第四步：主循环，直到Agent达到最大步骤或者Agent的执行任务的状态为已完成

 while (
     self.current_step < self.max_steps and self.state != AgentState.FINISHED
):

第五步：具体执行动作step()

self.current_step += 1
logger.info(f"Executing step {self.current_step}/{self.max_steps}")
step_result = await self.step()

第六步：检查Agent是否卡在循环中和是否达到最大步长

 if self.is_stuck():
           self.handle_stuck_state()
           results.append(f"Step {self.current_step}: {step_result}")

if self.current_step >= self.max_steps:
           self.current_step = 0
           self.state = AgentState.IDLE
           results.append(f"Terminated: Reached max steps ({self.max_steps})")

我们可以用Java来把这段代码写一下

public String run() {  
    List<String> results = new ArrayList<>();
  	int MAX_STEPS = 20;
    while (currentStep < MAX_STEPS && !isFinished) {  
        currentStep++;  
        // 这里实现具体的步骤逻辑 - 伪代码
        String stepResult = executeStep();  
        results.add("步骤 " + currentStep + ": " + stepResult);  
    }  
    if (currentStep >= MAX_STEPS) {  
        results.add("达到最大步骤数: " + MAX_STEPS);  
    }  
    return String.join("\n", results);  
}

ReAct模式

ReAct（Reasoning + Acting）是一种结合推理和行动的智能体架构，它模仿人类解决问题时的"思考-行动-观察"的循环

目的是通过交互式的决策去解决复杂问题，这也是目前最常用的智能体的工作模式之一。

核心思想：

1. 推理(Reasion)：将原始问题拆成多步骤的任务(对应上文step)，明确当前要执行的步骤，第一步干什么，第二步干什么
2. 行动(Act)：调用外部工具执行动作，比如调用搜索引擎、打开浏览器访问网页等
3. 观察(Observe)：获取工具返回的结果，反馈给智能体进行下一步决策。比如将打开的网页代码输入给AI
4. 循环迭代：不断重复上述3个过程，知道任务完成或者达到终止条件(如达到最大思考和执行的步长)

所需支持的系统

除了上面我们介绍的工作机制外，智能体的实现还依赖于很多支持系统

• AI大模型，这个是肯定要有的，由大模型提供了思考、推理和决策的核心能力，越强的AI大模型通常执行任务的效果越好
• 记忆系统，智能体需要记忆系统来存储对话历史、中间结果和执行状态，这样才能够进行连续的对话并根据历史对话分析接下来的工作步骤
• 知识库，尽管大语言模型拥有丰富的参数知识，但针对特定领域的专业知识往往需要额外的知识库支持，比如之前我有讲到过的一篇文章，通过RAG检索增强生成 + 向量数据库等技术，智能体可以检索并利用专业知识回答问题
• 工具调用，工具是扩展智能体能力边界的关键，智能体通过工具调用可以访问搜索引擎、数据库、API接口等外部服务，极大的增强了其解决问题的实际能力，MCP其实也是工具调用的一种

综合上面所说的四类技术，结合CoT、Agent Loop、ReAct等机制，就可以构建一个完整的、有自助规划能力的AI智能体

智能体工作流

当我们面对复杂任务时，单一的智能体可能无法满足需求，因此智能体**工作流(Agent Workflow)**应运而生

通过简单的任务编排，允许多个智能体协同工作，各司其职

智能体工作流编排的精髓在于 将复杂任务分解为连贯的节点链，每个节点由最适合的智能体处理，节点间通过条件路由进行灵活连接，形成一个高效、可靠的执行网络。

Prompt Chaining 提示链工作流

Prompt Chaining 是最常见的智能体工作流模式之一，它的核心思想是将一个复杂任务拆解为一系列有序的子任务

每一步都由LLM处理前序LLM处理的输出结果，逐步推进任务的完成

举个例子，比如你想要在小红书发一个贴，你在思考内容怎么写，可以让智能体工作流来帮你，可以先让LLM-Call-1帮你先生成大纲，后续的LLM-Call-n再根据大纲生成详细内容，最后进行润色和校对，每一步都可以插入校验和中间检查，确保流程正确，内容生成更精准

这种模式结构清晰，易于调试，适合任务可以自然被分解为多个阶段的场景

Routing 路由分流工作流

Routing工作流模式则更像一个智能的路由器，根据输入内容的类型或特征，将任务分发给最合适的下游智能体

举个例子，在客服系统中，可以将常见的问题、退款请求、技术支持等分流到不同的处理模块，再多模型系统中，可以将简单的问题分配给小问题，复杂的问题交给大模型，这样既提高了处理效率，也保证了每类问题都能够得到最优的解答。

Orchestrator-Workers 协调者-执行者工作流

对于复杂的任务、参与任务的智能体增多时，我们可以引入一位 "管理者" ，会根据任务动态拆解出多个子任务 (看着跟上面的路由器很像，但任务拆解是最关键的不同，不是简单路由了)，将这些子任务分配给多个 "工人" 智能体，最后再整合所有工人的结果，这种中央协调机制提高了复杂系统的整体效率，适合任务结构不确定、需要动态分解的复杂场景

Parallelization 并行化工作流

在Parallelization并行化的模式下，任务会被拆分为多个可以并行处理的子任务，最后聚合各自的结果。

比如在代码合规安全审查的场景中，可以让多个智能体分别对同一段代码进行安全审查，最后 "投票" 决定是否有问题。比如在处理超长文档的时候，可以将文档分段，每段由不同的智能体并行的总结，这种模式可以显著提升初六速度，通过 "投票" 机制提升结果的准确度

A2A协议

什么是A2A

A2A（Agent To Agent）是最近比较热门的概念，简单来说，A2A协议就是为 "智能体之间如何直接交流和协作" 制定的一套标准

A2A协议的核心，是让每个智能体都能像 "网络节点" 一样，拥有自己的身份、能力描述和通信接口。

A2A不仅规定了消息的格式和传递方式，还包含了身份认证、能力发现、任务委托、结果回传等机制，这样一来，智能体之间就可以像人类团队一样，相互打招呼、询问对方能做什么，请求协助。

可以把A2A类比为智能体世界里的HTTP协议，HTTP协议让全球不同的服务器和电脑之间能够交换数据，A2A协议则是让不同的厂商、不同的平台、不同能力的智能体能够像团队成员一样互相理解、协作和分工。如果说HTTP协议让互联网成为了一个开放、互联的世界，那么A2A协议则让智能体世界变得开放、协作和高效。

像上面我们其实就有Agent之间的交互，但这都是局限于自己的服务，不涉及第三方的智能体服务

A2A面临的问题

简单和MCP对比一下，虽然A2A和MCP都算是协议(或者说是标准)，但二者存在本质上的区别。

MCP协议是智能体和外部工具之间的标准，它规定了智能体如何安全、规范的调用外部的数据库、搜索引擎、代码执行等工具资源

可以把MCP理解为 "智能体-工具" 的HTTP协议，而A2A协议则是智能体之间的通信协议，让不同的AI直接对话、协作和分工。

从安全的角度来看，MCP和A2A处理的是不同层面的安全问题：

• MCP的安全关注点：主要集中在单个智能体与工具之间的安全交互，主要防范的是工具滥用和提示词注入攻击
• A2A的安全关注点：更关注智能体网络中的身份认证、授权和信任链，A2A需要解决 "我怎么知道我在和谁通信"、"这个智能体有权限请求这项任务吗？"、"如何防止恶意智能体窃取或篡改任务数据"等问题

A2A面临的安全挑战更加复杂，在处理跨网络、跨平台、多方协作的场景的落地场景还不成熟

对于一个成熟的智能体系统，可能会同时运用MCP和A2A，MCP负责某个智能体内部调用工具完成，A2A负责智能体之间的协作完成任务