Agent = LLM + 上下文 + 工具(含观察 / 动作空间、ReAct 循环)

目录

  • [1. 什么是 Agent?](#1. 什么是 Agent?)
  • [2. 拟人化理解](#2. 拟人化理解)
  • [3. 什么是 Harness 工程?](#3. 什么是 Harness 工程?)
  • [4. LLM 和 Agent 的区别](#4. LLM 和 Agent 的区别)
  • [5. Environment(环境)](#5. Environment(环境))
  • [6. 观察空间与动作空间:模型与世界的接口](#6. 观察空间与动作空间:模型与世界的接口)

LLM 是"脑",Agent 是"脑 + 记忆/上下文 + 手脚/感官 + 循环控制"的完整系统;Harness 工程是让"脑"能安全、稳定、有效驱动"身体"的规则与运行框架。


1. 什么是 Agent?

核心公式:

Agent = LLM + 上下文 + 工具(含观察/动作空间、ReAct 循环)

更工程化地写:

Agent = 决策模型 + 记忆/上下文 + 工具接口 + 控制循环 + 环境反馈

拆开看:

  • LLM:负责推理、理解、生成、决策。它是 Agent 的"大脑核心"。

  • 上下文:系统提示、用户输入、历史对话、记忆、工具返回结果、当前状态等。它决定 Agent"现在知道什么"。

  • 工具:API、函数调用、浏览器、代码执行、数据库、文件系统等。它让 Agent 能"做事"。

  • 观察/动作空间:

    • 观察空间:Agent 能感知什么,比如 API 返回、网页内容、用户反馈。

    • 动作空间:Agent 能做什么,比如搜索、写文件、发请求、点击按钮。

  • ReAct 循环:Reason → Act → Observe → 再 Reason。也就是"想---做---看结果---再想"。

所以,Agent 不是单纯会聊天,而是能围绕目标,持续感知、决策、行动、修正。


2. 拟人化理解

用人体来比喻:

人 = 大脑 + 躯体

对应到 Agent:

人的部分 Agent 的部分
大脑 LLM + 上下文管理 + 记忆 + 推理规划
手脚、眼睛、感官 工具、API、浏览器、执行器、环境接口
神经反射/行动循环 ReAct 循环:推理、行动、观察、再推理
神经系统/规则 Harness 工程

也就是说:

  • LLM + 上下文 更像"大脑与记忆"。

  • 工具 更像"手脚和感官"。

  • ReAct 循环 更像"感知---思考---行动---反馈"的神经闭环。

  • Harness 则是让大脑和躯体适配的规则、协议、控制层。


3. 什么是 Harness 工程?

Harness 工程,可以理解为:

围绕 LLM 构建的一整套"驾驭/脚手架/运行框架",让模型能可靠地使用上下文和工具,完成复杂任务。

它不只是写 prompt,而是包括:

  • 工具如何定义、暴露、调用;

  • 上下文如何组织、压缩、检索、注入;

  • ReAct 循环如何控制,何时继续、何时停止;

  • 工具调用失败后如何重试、回滚、报错;

  • 权限、安全、护栏、审计;

  • 日志、可观测性、评测;

  • 多步任务的状态管理。

一句话:

Harness 工程 = 让"大脑"能安全有效驱动"躯体"的操作系统 + 神经规则。


4. LLM 和 Agent 的区别

维度 LLM Agent
本质 模型/函数 系统/闭环
输入输出 Prompt → 文本 目标/环境 → 行动/结果
状态 通常无状态或短期上下文 有记忆、状态、任务进度
工具 不能直接调用 能调用工具
循环 单次生成 ReAct 多轮循环
目标 无自主目标 围绕目标推进
能力 会说、会想 会想 + 会做 + 会看反馈
角色 Agent 的"大脑核心" 完整智能体

更直白地说:

  • LLM 解决"说什么"。

  • Agent 解决"做什么、怎么做、做完没"。

  • Harness 解决"如何让 LLM 可靠地做"。

5. Environment(环境)

欧克,梳理完这几个概念,我们再引入一个概念 Environment(环境)。Agent 是需要跟环境进行交互的,不同环境下的 Agent 的交互效果也是有所差异的,就好比如一个人在不同的环境下被塑造出的性格也是有差异的。

  • Environment(环境):Agent 边界之外的整个世界 ------ 文件系统、数据库、网页、API、应用程序、用户、其他 Agent,乃至物理世界。

  • 两者形成闭环 :

    • 环境把当前状态以 观察(Observation) 的形式交给 Agent;
    • Agent 依据已有信息选择 行动(Action);
    • 行动改变环境状态,新状态又产生下一次观察;
    • 循环往复。
  • 这个闭环是理解一切 Agent 交互的最小结构。

    在这个闭环里,Agent 内部的最小工程实现,才是那个公式:

复制代码
  Agent = LLM + 上下文 + 工具
          大脑    眼睛    手脚

注意一个关键边界:公式只描述 "Agent 边界之内" 的东西,不包含环境。 三者是工程组件的组合,不是数学上的严格定义。

直觉层 实现层 学术层(RL) 含义
大脑 LLM Policy(策略) 面对当前信息,决定 "下一步做什么"
眼睛 上下文构造 观察 + 历史 把环境观察和历史组织成当前决策所需信息
手脚 工具与适配器 观察 / 动作接口 规定能读哪些观察、能发哪些动作,以及格式

6. 观察空间与动作空间:模型与世界的接口

"观察通道 + 动作接口" 共同构成了 Agent 与环境之间的边界 。这里有一个叫 Harness 的角色在做 "翻译":

  • 把环境返回的观察 → 转成模型能处理的上下文;
  • 把模型选择的行动 → 转成对环境的工具调用。

总结与下一步

LLM 是 Agent 的"大脑",负责推理与决策;Agent 是围绕目标持续感知、行动、修正的完整闭环;Harness 工程是让 LLM 安全、稳定、有效驱动工具与上下文的规则框架;Environment 则是 Agent 边界之外、与之交互并产生观察与反馈的世界。四者共同构成了现代智能体系统的完整图景。

这一篇主要还是简要介绍了Agent领域的相关概念,我会在后续的篇章中去讲清楚细化的领域。

相关推荐
VIP_CQCRE几秒前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
wuyk55543 分钟前
Python办公自动化-第01讲-环境搭建与自动化认知
python·自动化·pyqt
泯泷1 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
Lanwarf-前端开发1 小时前
Vue3 + Canvas/WebGL 雷达扫描可视化实战:PPI、RHI、VOL、SVOL 四种模式原理与实现
前端·javascript·vue.js·webgl
oak隔壁找我1 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁011 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
ComPDFKit2 小时前
RAG 回答只显示 PDF 文件名?用 Python 保留引用页码
开发语言·python·pdf·rag
FRing032 小时前
vue3干货总结2(vue3生命周期、父子通信、模版引用、provide和inject)
开发语言·前端·vue.js·vue3
Csvn2 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent
在所不辞兄3 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习