📝 AI Agent 四大核心模块
1. 规划 (Planning)
这是 Agent 的"大脑"逻辑中心，负责将复杂目标拆解为可执行的步骤。
- 任务分解 (Task Decomposition)： Agent 将大型任务拆分为更小、更易管理的子任务。常用技术包括 Chain of Thought (CoT) 和 Tree of Thoughts (ToT)。
- 自我反思 (Self-Reflection)： Agent 会对自己的计划进行评估、纠错和完善。它可以从过去的错误中吸取教训，并针对不合理的输出进行迭代（例如：ReAct 模式）。
2. 记忆 (Memory)
记忆模块决定了 Agent 如何存储和检索信息，以保持上下文的连贯性。
- 短期记忆 (Short-term Memory)： 基于大模型的上下文窗口（Context Window）。记录当前对话的轮次、最近的指令。
- 长期记忆 (Long-term Memory)： 通常结合 向量数据库 (Vector DB) 实现。通过 RAG（检索增强生成）技术，Agent 可以根据需求在海量外部文档或历史记录中检索相关信息。
3. 工具使用 / 行动 (Tool Use / Action)
Agent 不同于普通聊天机器人的核心特征在于它具有"手"，能够与外部世界交互。
- 外部 API 调用： Agent 可以根据任务需求，调用搜索引擎查找新闻、调用计算器进行精确运算、或调用天气接口等。
- 执行环境： Agent 可以执行代码（Python 解释器）或操控各类软件界面。
- 模型输出： 这里的输出不再仅仅是文本，而是结构化的指令（如 JSON），用于驱动其他程序。
4. 角色设定 / 感知 (Profile / Perception)
该模块定义了 Agent 的"身份"和"感官输入"。
- 角色设定 (Profile)： 定义 Agent 的专业背景、目标、语气限制等（例如："你是一个资深的 Python 程序员"）。这决定了其决策的偏好和专业深度。
- 感知 (Perception)： 虽然在纯文本 Agent 中不明显，但在多模态 Agent 中，感知模块负责处理视觉（图像、视频）、听觉（语音）等环境信息。
💡 核心逻辑流 (Workflow)
- 感知/输入： 接收用户指令和环境信息。
- 规划： 基于 记忆 和 角色设定，将指令分解。
- 行动： 调用 工具 执行子任务。
- 观察/反思： 观察工具执行的结果，更新 短期记忆，并判断是否完成目标。若未完成，回到规划阶段继续循环。
总结：
- 规划 是逻辑；
- 记忆 是上下文；
- 工具 是执行力；
- 角色 是边界。