之前我们学习了Rag和Memory，作为这两者的载体的Agent，还没有系统性的学习一下。
Agent
在平时，我们所使用的像DeepSeek，GPT，opus这类都是agent，只是都是被精细包装、设计、测试好的。而一个普通的agent，我们可以区别于LLM来理解，LLM执行任务，是我们调用API访问，输入我们的任务，模型处理请求并返回一个答案。
而Agent则不同，我们输入我们的任务，它首先会分析任务（会结合上下文看看是否有相关的信息有助于理解），看看目标是什么，然后调用相关的工具（通过不同的API调用工具，来满足需求），最后观察结果是否满足任务目标。比如如果我们问"广州今天天气"，会先调用地图api获取经纬度，然后再调用天气api去获取天气情况，如果能成功返回结果，就输出这个，如果返回是空，可能是调用的api不可用，就会去获取别的api尝试调用，直到最后输出天气或者说获取到的所有备用api都不可用。
理解Agent的关键在于，它会自主思考怎么样去完成任务（ReAct框架，分离思考与行动，在使用工具前都会明确这一步的目标还有指令），这一步是透明的，就像我们平时用Opus时，看到其深度思考内容一样，会知道模型从分析到调用工具最后生成内容的过程。而且这不仅仅是给用户看的，更是给模型自己看的，后续还可以让模型进行反思，从而实现自行优化。
而如果是我们自己来设计Agent，把之前我们学到的Memory安上，那么这个Agent就会随着我们使用次数的增加，会变得越来越"懂"我们，不仅知道我们平时习惯用什么样格式的文件，能明白我们习惯性怎样去思考问题，有时也能"关心"一下我们的状态
Prompt
提示词大家都听过很多次，其实我们每次使用大模型时输入的问题，就是一种提示词，不过是很粗糙的提示词，粗糙到跟日常用语一样没什么用。但是如果我们精心设计，从角色、工具、行为准则、输出格式、示例这几方面来限制模型，就可以让其减少幻觉和错误行为（比如有些网站的数据可用性较低，就不需要去搜集这些数据），让agent可以按照我们的思维习惯去处理这次的任务，像现在很多的大模型，就是根据用户输入，去匹配各种提示词包装的功能，然后达到即使用户的问题很简单，也能精准给出回答（因为已经从底层用提示词包装过了）。