AI Agent 是怎么跑起来的：从 Agent Loop 到 MCP 的架构拆解

聊天模型干不了的活

先看一个任务：

帮我排查今天早上 user-service 接口变慢的原因，并把结果发给负责人。

这类请求没有固定答案。先查监控、日志还是 Heap Dump，要看前一步拿到了什么证据；即使已经发现了慢 SQL，还得判断要不要继续查执行计划、怎样组织结论、是否可以发出通知。

把这句话丢给聊天模型，会得到一份很漂亮的排查清单------先看监控，再看慢 SQL，必要时查 Heap Dump。然后呢？没有然后了。清单躺在聊天窗口里，监控要自己打开 Grafana，日志要自己 grep，邮件要自己写。

这就是聊天模型和 Agent 的分界线：前者生成关于任务的描述，后者把任务本身做完。要完成任务，模型需要选择工具、读取工具结果，再据此决定下一步或结束。AI Agent 处理的正是这段连续的决策与执行过程。

Agent = LLM + Planning + Memory + Tools

先给一个不绕弯的定义：AI Agent 是能感知环境、决策并执行动作的软件系统。LLM 负责意图理解和决策，工具负责外部操作，记忆负责保存当前任务和历史信息。与只生成回复的聊天机器人相比，它会在任务过程中持续观察和调整，直到结束条件满足。

业内常用的拆分方式是四件套：

text 复制代码

Agent = LLM + Planning + Memory + Tools

对应的架构关系如下：
#mermaid-svg-MZxejf0pU0lI36eX{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-MZxejf0pU0lI36eX .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-MZxejf0pU0lI36eX .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-MZxejf0pU0lI36eX .error-icon{fill:#552222;}#mermaid-svg-MZxejf0pU0lI36eX .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-MZxejf0pU0lI36eX .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-MZxejf0pU0lI36eX .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-MZxejf0pU0lI36eX .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-MZxejf0pU0lI36eX .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-MZxejf0pU0lI36eX .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-MZxejf0pU0lI36eX .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-MZxejf0pU0lI36eX .marker{fill:#333333;stroke:#333333;}#mermaid-svg-MZxejf0pU0lI36eX .marker.cross{stroke:#333333;}#mermaid-svg-MZxejf0pU0lI36eX svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-MZxejf0pU0lI36eX p{margin:0;}#mermaid-svg-MZxejf0pU0lI36eX .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-MZxejf0pU0lI36eX .cluster-label text{fill:#333;}#mermaid-svg-MZxejf0pU0lI36eX .cluster-label span{color:#333;}#mermaid-svg-MZxejf0pU0lI36eX .cluster-label span p{background-color:transparent;}#mermaid-svg-MZxejf0pU0lI36eX .label text,#mermaid-svg-MZxejf0pU0lI36eX span{fill:#333;color:#333;}#mermaid-svg-MZxejf0pU0lI36eX .node rect,#mermaid-svg-MZxejf0pU0lI36eX .node circle,#mermaid-svg-MZxejf0pU0lI36eX .node ellipse,#mermaid-svg-MZxejf0pU0lI36eX .node polygon,#mermaid-svg-MZxejf0pU0lI36eX .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-MZxejf0pU0lI36eX .rough-node .label text,#mermaid-svg-MZxejf0pU0lI36eX .node .label text,#mermaid-svg-MZxejf0pU0lI36eX .image-shape .label,#mermaid-svg-MZxejf0pU0lI36eX .icon-shape .label{text-anchor:middle;}#mermaid-svg-MZxejf0pU0lI36eX .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-MZxejf0pU0lI36eX .rough-node .label,#mermaid-svg-MZxejf0pU0lI36eX .node .label,#mermaid-svg-MZxejf0pU0lI36eX .image-shape .label,#mermaid-svg-MZxejf0pU0lI36eX .icon-shape .label{text-align:center;}#mermaid-svg-MZxejf0pU0lI36eX .node.clickable{cursor:pointer;}#mermaid-svg-MZxejf0pU0lI36eX .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-MZxejf0pU0lI36eX .arrowheadPath{fill:#333333;}#mermaid-svg-MZxejf0pU0lI36eX .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-MZxejf0pU0lI36eX .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-MZxejf0pU0lI36eX .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-MZxejf0pU0lI36eX .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-MZxejf0pU0lI36eX .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-MZxejf0pU0lI36eX .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-MZxejf0pU0lI36eX .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-MZxejf0pU0lI36eX .cluster text{fill:#333;}#mermaid-svg-MZxejf0pU0lI36eX .cluster span{color:#333;}#mermaid-svg-MZxejf0pU0lI36eX div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-MZxejf0pU0lI36eX .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-MZxejf0pU0lI36eX rect.text{fill:none;stroke-width:0;}#mermaid-svg-MZxejf0pU0lI36eX .icon-shape,#mermaid-svg-MZxejf0pU0lI36eX .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-MZxejf0pU0lI36eX .icon-shape p,#mermaid-svg-MZxejf0pU0lI36eX .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-MZxejf0pU0lI36eX .icon-shape .label rect,#mermaid-svg-MZxejf0pU0lI36eX .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-MZxejf0pU0lI36eX .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-MZxejf0pU0lI36eX .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-MZxejf0pU0lI36eX :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 选择动作
Observation
用户意图
Planning

推理与规划
Memory

短期上下文 / 长期记忆
Tools

工具执行
外部环境

API / 数据库 / 文件系统

四个组件各自的职责边界值得展开说清楚。

**Planning（推理与规划）**决定下一步的目标与动作。LLM 根据当前任务状态拆解目标，Chain-of-Thought 这类提示技术把推理过程拆成步骤，减少模型直接给出未经展开的结论。

**Memory（记忆）**分两层。短期记忆通常就是上下文历史，维持任务连续性；长期记忆一般由向量数据库或知识图谱等外部存储承担，负责检索过去积累的信息。长任务跑久了上下文被截断，模型"失忆"，本质就是短期记忆超出了窗口预算，而没有把关键状态沉淀到长期记忆里。

**Tools（工具）**负责查询数据、调用 API、读写文件或执行代码。这里有一个新手最容易忽略的点：工具的执行结果必须追加进上下文，成为下一轮的 Observation。否则模型看不到外部操作的反馈，后续动作也就无从判断------很多自己撸 Agent Demo 的人卡在"工具明明执行成功了，模型却像没看见一样"，问题就出在这里。

Agent Loop：一切框架的底层

Agent 的执行核心是一个循环：每轮先由 LLM 根据上下文选择动作，再执行工具并写回结果；任务完成或命中停止条件时退出。

LangChain、LlamaIndex、Spring AI 这些框架的封装各不相同，但底层都绕不开这条 Loop：
#mermaid-svg-Jdnr7D9Ir3P8ZLOA{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .error-icon{fill:#552222;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .marker{fill:#333333;stroke:#333333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .marker.cross{stroke:#333333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA p{margin:0;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .cluster-label text{fill:#333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .cluster-label span{color:#333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .cluster-label span p{background-color:transparent;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .label text,#mermaid-svg-Jdnr7D9Ir3P8ZLOA span{fill:#333;color:#333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node rect,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node circle,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node ellipse,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node polygon,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .rough-node .label text,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node .label text,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .image-shape .label,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .icon-shape .label{text-anchor:middle;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .rough-node .label,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node .label,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .image-shape .label,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .icon-shape .label{text-align:center;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node.clickable{cursor:pointer;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .arrowheadPath{fill:#333333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .cluster text{fill:#333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .cluster span{color:#333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA rect.text{fill:none;stroke-width:0;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .icon-shape,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .icon-shape p,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .icon-shape .label rect,#mermaid-svg-Jdnr7D9Ir3P8ZLOA .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-Jdnr7D9Ir3P8ZLOA :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 直接回复
调用工具
否
是
初始化

System Prompt + 工具列表 + 用户请求
LLM 决策
输出结果，退出
执行工具调用
结果作为 Observation 写回上下文
达到最大轮次

或 Token 上限？
强制终止

几个工程细节：

最大迭代轮次通常设在 10 到 20 轮，也可以按 Token 消耗终止。这个边界的作用是阻止错误判断把任务带进无限循环------2023 年 AutoGPT 那批早期尝试，翻车翻得最惨的就是这个。
上下文会随每轮结果持续变长。关键信息被稀释后，模型更容易跑偏。Context Engineering 处理的正是筛选和组织这些信息的问题，后面单独讲。

落地一个 Agent，最少要搞定三层

抛开框架的抽象，自己搭一套 Agent 系统，代码组织上跑不掉三层：

第一层：LLM Call 。处理 OpenAI、Anthropic、Hugging Face 等接口差异，以及流式输出、Token 截断和重试。这层没什么技术含量，但接口版本变更和限流策略会持续消耗维护精力。

第二层：Tools Call 。把 Function Calling、MCP、Skills，以及文件读写、网页搜索、代码沙箱和第三方 API 接给模型。外部能力是否可用、返回什么格式，都会直接影响下一轮决策------工具超时返回空值和返回结构化错误，模型的后续行为完全不同。

第三层：Context Engineering 。组织传给模型的 Prompt、动态记忆、会话状态和工具描述。上下文缺少任务所需信息，或混入太多无关内容时，即使模型本身能力足够，任务也可能无法推进。

第三层最容易被轻视。很多人把精力全砸在选模型和调 Prompt 上，结果 Agent 跑偏的原因是上下文里堆了三轮前的过期观察结果。

工具接入的三级台阶

Agent 想准确调用外部工具，绕不开两个东西：OpenAI Schema 和 MCP。一句话概括分工：OpenAI Schema 解决数据格式问题，MCP 解决通信接入问题。

第一级：Function Calling Schema------描述工具

外部工具可以很复杂，但 LLM 推理时只认结构化描述。现在主流的数据格式基本都在向 OpenAI Function Calling Schema 靠拢，Anthropic、Google 这些厂商也都支持类似形式。它用 JSON Schema 描述工具名称、用途、参数类型和必填字段。

以一个后端排障场景常见的工具为例：

json 复制代码

{
  "type": "function",
  "function": {
    "name": "query_slow_sql",
    "description": "查指定微服务在特定时间段的慢 SQL 日志。服务响应慢、数据库超时、CPU 飙升的时候用这个。如果用户问的是网络或内存问题，别调这个。",
    "parameters": {
      "type": "object",
      "properties": {
        "service_name": {
          "type": "string",
          "description": "服务名，比如 user-service、order-service"
        },
        "time_range": {
          "type": "string",
          "description": "时间范围，格式 HH:MM-HH:MM，比如 09:00-09:30"
        },
        "threshold_ms": {
          "type": "integer",
          "description": "慢 SQL 判定阈值（毫秒），默认 1000"
        }
      },
      "required": ["service_name", "time_range"]
    }
  }
}

注意 description 的写法：同时给出适用和不适用的条件。慢 SQL 查询工具明确排除了网络和内存问题，模型就不会在方向不符时调用它。模型是否调用工具、怎样填写参数，主要依据就是这段描述------这块省了力气，后面会双倍还回来。

第二级：MCP------统一接入协议

Schema 描述了工具长什么样，但工具怎么接进宿主程序是另一个问题。在 MCP 出现之前，开发者要在代码里手动维护一堆映射：

text 复制代码

工具名称 → 实际执行函数 + JSON Schema 描述

接一个新工具，就写一堆胶水代码。工具越多，维护越难。

Anthropic 在 2024 年 11 月推出 MCP（Model Context Protocol），提供了一套基于 JSON-RPC 2.0 的统一通信协议，经常被叫作 AI 领域的"USB-C 接口"。外部系统通过 MCP Server 暴露能力，宿主程序连接 Server 后自动发现并注册工具，AI 应用和底层外部代码就此解耦。

MCP 定义了三类标准原语：

原语类型	作用	例子
Tools	LLM 主动调用的函数	查询数据库、发送邮件、执行代码
Resources	Agent 按需读取的只读数据	本地文件、数据库记录、日志流
Prompts	可复用的提示词模板	代码审查模板、故障报告模板
一个容易混淆的点：MCP Server 对外暴露工具时，内部仍然用 JSON Schema 描述参数规范。JSON Schema 是数据格式，MCP 是通信协议层，两者是互补关系，不是替代关系。

第三级：Skills------封装经验

Schema 和 MCP 解决的是单个工具的接入，但一次真实的慢查询排查往往需要依次读日志、运行分析脚本、再按团队规范组织建议。如果每次都让 Agent 临时规划这条链路，步骤和输出都难以稳定复用。

Skill 用可按需加载的指令文件保存这条执行链的顺序、约束条件和踩坑记录。宿主判断任务匹配后，才把相关内容放入上下文。常见的封装方式有两种：

传统 Toolkits（黑盒） ：在代码中把多个原子工具组合成高阶工具，对外只暴露 JSON Schema，LLM 看不到内部路径。适合逻辑固定、需要减少推理步骤和 Token 消耗的场景。

Agent Skills（白盒）：以 SKILL.md 作为入口，用自然语言表达任务指令。一个 Skill 通常是独立文件夹：

text 复制代码

.claude/skills/code-reviewer/
├── SKILL.md          ← YAML front-matter + 详细指令
├── scripts/xxx.py    ← 可选：配套脚本
└── reference.md      ← 可选：参考资料

SKILL.md 前面的轻量元数据用于发现，说明 Skill 的用途和触发条件；正文记录流程、约束和示例。宿主先读取元数据，模型判断需要后才加载完整正文------这种延迟加载是 Agent Skills 与传统 Toolkits 的关键差异 。Claude Code、Cursor 等工具会扫描项目中的 .claude/skills/ 目录，由模型决定是否激活某个 Skill。

选择标准很直接：调用路径完全固定时用 Toolkits；需要沉淀团队经验、又保留任务流程弹性时，用 Agent Skills。

顺带说清：Prompt Engineering 与 Context Engineering

这两个词经常被混用，但关注层面不同。

Prompt 是给大语言模型的指令与上下文。Prompt Engineering 处理的是提示词怎么写 ：任务边界、输出格式和约束条件。缺少这些信息时，模型只能自行猜测；条件明确后，输出才有稳定的依据。

Context Engineering 管得更宽 ：规则、记忆、工具描述、会话状态、外部观察结果、Token 预算，全在它的管辖范围内。它要解决的核心问题是------上下文混入过多无关信息时，模型即使具备相应能力，任务效果也会下降。

换句话说，Prompt Engineering 是 Context Engineering 的一个子问题。在有限 Token 窗口里，把最有用的信息喂给模型，把噪声挡在外面，这是后者每天要面对的取舍。

回头看：Agent 的能力是怎么一步步长出来的

把架构讲清楚之后，回头看演进史就能明白每一步在解决什么问题。Agent 的能力不是一次性出现的：模型先获得外部调用能力，随后才有编排、长任务和长期在线这些需求。
#mermaid-svg-lLzGqknrKVkKgNgr{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-lLzGqknrKVkKgNgr .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-lLzGqknrKVkKgNgr .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-lLzGqknrKVkKgNgr .error-icon{fill:#552222;}#mermaid-svg-lLzGqknrKVkKgNgr .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-lLzGqknrKVkKgNgr .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-lLzGqknrKVkKgNgr .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-lLzGqknrKVkKgNgr .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-lLzGqknrKVkKgNgr .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-lLzGqknrKVkKgNgr .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-lLzGqknrKVkKgNgr .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-lLzGqknrKVkKgNgr .marker{fill:#333333;stroke:#333333;}#mermaid-svg-lLzGqknrKVkKgNgr .marker.cross{stroke:#333333;}#mermaid-svg-lLzGqknrKVkKgNgr svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-lLzGqknrKVkKgNgr p{margin:0;}#mermaid-svg-lLzGqknrKVkKgNgr .edge{stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .section--1 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section--1 path,#mermaid-svg-lLzGqknrKVkKgNgr .section--1 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section--1 path{fill:hsl(240, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section--1 text{fill:#ffffff;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon--1{font-size:40px;color:#ffffff;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge--1{stroke:hsl(240, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth--1{stroke-width:17;}#mermaid-svg-lLzGqknrKVkKgNgr .section--1 line{stroke:hsl(60, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:#ffffff;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-0 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-0 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-0 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-0 path{fill:hsl(60, 100%, 73.5294117647%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-0 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-0{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-0{stroke:hsl(60, 100%, 73.5294117647%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-0{stroke-width:14;}#mermaid-svg-lLzGqknrKVkKgNgr .section-0 line{stroke:hsl(240, 100%, 83.5294117647%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-1 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-1 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-1 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-1 path{fill:hsl(80, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-1 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-1{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-1{stroke:hsl(80, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-1{stroke-width:11;}#mermaid-svg-lLzGqknrKVkKgNgr .section-1 line{stroke:hsl(260, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-2 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-2 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-2 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-2 path{fill:hsl(270, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-2 text{fill:#ffffff;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-2{font-size:40px;color:#ffffff;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-2{stroke:hsl(270, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-2{stroke-width:8;}#mermaid-svg-lLzGqknrKVkKgNgr .section-2 line{stroke:hsl(90, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:#ffffff;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-3 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-3 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-3 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-3 path{fill:hsl(300, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-3 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-3{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-3{stroke:hsl(300, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-3{stroke-width:5;}#mermaid-svg-lLzGqknrKVkKgNgr .section-3 line{stroke:hsl(120, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-4 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-4 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-4 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-4 path{fill:hsl(330, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-4 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-4{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-4{stroke:hsl(330, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-4{stroke-width:2;}#mermaid-svg-lLzGqknrKVkKgNgr .section-4 line{stroke:hsl(150, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-5 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-5 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-5 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-5 path{fill:hsl(0, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-5 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-5{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-5{stroke:hsl(0, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-5{stroke-width:-1;}#mermaid-svg-lLzGqknrKVkKgNgr .section-5 line{stroke:hsl(180, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-6 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-6 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-6 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-6 path{fill:hsl(30, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-6 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-6{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-6{stroke:hsl(30, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-6{stroke-width:-4;}#mermaid-svg-lLzGqknrKVkKgNgr .section-6 line{stroke:hsl(210, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-7 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-7 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-7 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-7 path{fill:hsl(90, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-7 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-7{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-7{stroke:hsl(90, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-7{stroke-width:-7;}#mermaid-svg-lLzGqknrKVkKgNgr .section-7 line{stroke:hsl(270, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-8 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-8 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-8 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-8 path{fill:hsl(150, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-8 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-8{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-8{stroke:hsl(150, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-8{stroke-width:-10;}#mermaid-svg-lLzGqknrKVkKgNgr .section-8 line{stroke:hsl(330, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-9 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-9 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-9 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-9 path{fill:hsl(180, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-9 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-9{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-9{stroke:hsl(180, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-9{stroke-width:-13;}#mermaid-svg-lLzGqknrKVkKgNgr .section-9 line{stroke:hsl(0, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-10 rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-10 path,#mermaid-svg-lLzGqknrKVkKgNgr .section-10 circle,#mermaid-svg-lLzGqknrKVkKgNgr .section-10 path{fill:hsl(210, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-10 text{fill:black;}#mermaid-svg-lLzGqknrKVkKgNgr .node-icon-10{font-size:40px;color:black;}#mermaid-svg-lLzGqknrKVkKgNgr .section-edge-10{stroke:hsl(210, 100%, 76.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .edge-depth-10{stroke-width:-16;}#mermaid-svg-lLzGqknrKVkKgNgr .section-10 line{stroke:hsl(30, 100%, 86.2745098039%);stroke-width:3;}#mermaid-svg-lLzGqknrKVkKgNgr .lineWrapper line{stroke:black;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled,#mermaid-svg-lLzGqknrKVkKgNgr .disabled circle,#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:lightgray;}#mermaid-svg-lLzGqknrKVkKgNgr .disabled text{fill:#efefef;}#mermaid-svg-lLzGqknrKVkKgNgr .section-root rect,#mermaid-svg-lLzGqknrKVkKgNgr .section-root path,#mermaid-svg-lLzGqknrKVkKgNgr .section-root circle{fill:hsl(240, 100%, 46.2745098039%);}#mermaid-svg-lLzGqknrKVkKgNgr .section-root text{fill:#ffffff;}#mermaid-svg-lLzGqknrKVkKgNgr .icon-container{height:100%;display:flex;justify-content:center;align-items:center;}#mermaid-svg-lLzGqknrKVkKgNgr .edge{fill:none;}#mermaid-svg-lLzGqknrKVkKgNgr .eventWrapper{filter:brightness(120%);}#mermaid-svg-lLzGqknrKVkKgNgr :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 2022 纯对话时代 Prompt Engineering是主要手段 2023 中 Function Calling +RAG AutoGPT等早期自治尝试 2023 底编排时代 ReAct 广泛采用 /DAG 约束流程 2024 底标准化与多模态 MCP / Computer Use/ 编程 Agent 2025 长任务执行 Skills 封装 2026 长期在线 Heartbeat / HarnessEngineering Agent 能力演进

冷静一点：Agent 的真实挑战

聊 Agent 不能只讲愿景，也得说点真实问题。实际做下来，这几条感受最深：

长任务失忆。历史信息被截断后模型会"失忆"；更麻烦的是，上下文变长后推理质量不一定更好，很多模型对中间位置信息的利用效率并不高。
幻觉无法彻底消灭。工具调用能降低幻觉，但 LLM 在推理步骤里仍然可能生成错误判断，工具返回结果也不一定能把它拉回来。
Token 成本。多轮迭代、工具调用、日志回传、上下文压缩，每一项都在烧 Token。复杂任务跑一轮，账单可能真会让人清醒。
安全风险。Agent 能执行代码、调 API、读写文件，也就一定会面对 Prompt Injection 和越权操作。更现实的做法是权限最小化、沙箱隔离、高危操作人工确认。
局部最优。深度多步推理任务里，LLM 容易看起来一直在推进，其实已经偏题了。
可解释性 。Agent 为什么做了某个决策、为什么调用了某个工具、是哪一步把上下文带偏了，排查起来很头疼。
后面比较确定的方向包括更长上下文、分层记忆、多模态 GUI 操作、沙箱和权限体系、推理效率优化。

写在最后

回到开头那个问题：为什么聊天模型干不了排障的活？因为它没有 Loop、没有 Observation 闭环、没有工具执行环境。把这三样补齐，任务才从"生成建议"变成"执行任务"。

但补齐这三样的过程中，真正的分水岭不在模型，而在工程：Loop 的停止条件怎么设，上下文怎么筛，工具描述怎么写。这些问题的答案决定了 Agent 是稳定交付，还是在深夜给你跑出一份没人看得懂的决策日志。