【Agent】Agent 知识地图：核心概念、工程方法与产品生态

Lucas_coding2026-11-09 11:45

Agent Ecosystem Map｜Agent 生态知识地图

目标：用一两句话认识 Agent 领域的核心概念、工程方法、协议、框架与产品。本文是一张概念导航地图，不是教程或产品排名；各分类为方便理解而设，彼此可能交叉。

怎么用这篇

  • 想先跑起来：读 [0.1 一个最小 Agent](#0.1 一个最小 Agent)，直接运行示例，观察工具调用循环。
  • 想建立概念：0.2 → 1.2 → 1.3，约 20 分钟；1.1 只是四个术语，可随用随查。
  • 想做工程：1.9 按问题查方法，1.7 看运行时与故障恢复，1.10 看评估与权限。
  • 想选工具：2.2 看产品，2.3 看应用类型。
  • 1.4、1.6、1.8 偏进阶，第一遍可以跳过，用到再回来查。

一句话理解整张地图

Model 提供智能，Agent Loop 组织行动，Context / Memory / RAG 提供信息，Tools / Skills 扩展能力，Harness / Runtime 保证执行，Framework / SDK 帮助开发，协议连接系统，Evaluation / Security 保障质量，Agent 产品把这些能力交付给用户。

维护建议：新增名词时先判断它属于「基础概念、方法、工程机制、协议、框架、产品、评估」哪一类，再决定是否单列；不要把某个热门产品直接当作基础原理。

章节 速查
[0.1 一个最小 Agent](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 用一个能跑的循环建立直觉
[0.2 核心概念（18 个）](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 建立 Agent 的整体概念
[0.3 常见误区](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 避开入门阶段的典型误解
[0.4 进阶方向](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 需要前置知识的下一步
[1.1 基础术语](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 四个基础名词的精确定义
[1.2 Agent 核心组件](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 认识组成 Agent 的能力和部件
[1.3 Agent 行为机制与推理策略](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 理解决策、行动与反馈循环
[1.4 Agent 知识、检索、记忆与上下文](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 了解信息来源和模型输入
[1.5 Agent 工具、技能与交互协议](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 了解工具接口、技能和协议
[1.6 Agent 模型训练、推理优化与选型](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 理解模型选型、训练和推理优化
[1.7 Agent 系统架构、运行时与基础设施](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 设计运行环境、故障恢复与发布运维
[1.8 Agent 多智能体与任务协作](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 组织任务委派与协作
[1.9 Agent 工程方法](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 按工程问题查找对应方法
[1.10 Agent 评估、可观测性、安全与治理](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 评估行为并管理执行权限
[2.1 Agent Framework / SDK（开发框架）](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 了解开发框架与 SDK 的定位
[2.2 面向个人的 Agent 产品](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 按用途和形态查找个人 Agent 产品
[2.3 Agent 应用类型](#章节 速查 0.1 一个最小 Agent 用一个能跑的循环建立直觉 0.2 核心概念（18 个） 建立 Agent 的整体概念 0.3 常见误区 避开入门阶段的典型误解 0.4 进阶方向 需要前置知识的下一步 1.1 基础术语 四个基础名词的精确定义 1.2 Agent 核心组件 认识组成 Agent 的能力和部件 1.3 Agent 行为机制与推理策略 理解决策、行动与反馈循环 1.4 Agent 知识、检索、记忆与上下文 了解信息来源和模型输入 1.5 Agent 工具、技能与交互协议 了解工具接口、技能和协议 1.6 Agent 模型训练、推理优化与选型 理解模型选型、训练和推理优化 1.7 Agent 系统架构、运行时与基础设施 设计运行环境、故障恢复与发布运维 1.8 Agent 多智能体与任务协作 组织任务委派与协作 1.9 Agent 工程方法 按工程问题查找对应方法 1.10 Agent 评估、可观测性、安全与治理 评估行为并管理执行权限 2.1 Agent Framework / SDK（开发框架） 了解开发框架与 SDK 的定位 2.2 面向个人的 Agent 产品 按用途和形态查找个人 Agent 产品 2.3 Agent 应用类型 了解 Agent 的典型应用类型) 了解 Agent 的典型应用类型

0 入门导航

本章与第 1 章的体系图并行：这里回答"先怎么用、先记住什么、先避开什么、接下来学什么"，第 1 章回答"每个概念具体是什么"。两章可以独立阅读。

Agent 核心架构图

Agent 主要流程图

0.1 一个最小 Agent

不装框架，先用二十多行看清 Agent 的骨架：一个循环、一次决策、一个工具、一份上下文、一条终止条件。这里只立骨架、不展开讲解，18 个核心概念见 0.2；真实系统还要补沙箱、状态恢复和权限，见 1.7、1.10。

python 复制代码 
# 最小 Agent：不依赖框架，只保留骨架
TOOLS = {
    "get_weather": lambda city: f"{city} 今天 26℃，多云",
}

def call_model(messages):
    """用固定规则模拟模型决策，方便观察循环的每一步。"""
    last = messages[-1]["content"]
    if "天气" in last and "26℃" not in last:
        return {"tool": "get_weather", "args": {"city": "杭州"}}
    return {"answer": last}

def run(task, max_steps=5):
    messages = [{"role": "user", "content": task}]
    for _ in range(max_steps):                 # 终止条件：最多 5 步
        decision = call_model(messages)        # 1. 决策：调工具还是回答
        if "answer" in decision:               # 2. 交付
            return f"最终回答：{decision['answer']}"
        name, args = decision["tool"], decision["args"]
        result = TOOLS[name](**args)           # 3. 行动
        messages.append({"role": "tool", "content": result})  # 4. 观察回填
    return "达到最大步数，任务未完成"

print(run("帮我查一下杭州天气"))

执行轨迹：

text 复制代码 
第 1 轮  决策：调用 get_weather(city="杭州")
         行动：返回「杭州 今天 26℃，多云」
         观察：结果写入 messages
第 2 轮  决策：直接回答 → 终止

接入真实模型时，需要按所选接口声明工具、解析调用请求，并将执行结果关联到对应的工具调用后回传。

对照后文的概念：TOOLS 是 1.5.1 的工具定义，messages 的累积是 1.4.3 的上下文组装，max_steps 是 1.3.1 的终止条件与预算，这里只演示最大步数，Token 和费用预算见 1.3.1，而 for 循环本身就是 1.3 的 Agent Loop。

0.2 核心概念（18 个）

Agent 与 Chatbot、Copilot、Workflow 的区别不在"回答得多好"，而在"下一步由谁决定"。

形态 谁决定下一步 人如何参与
Chatbot 用户逐轮提出问题 用户决定是否继续追问
Copilot 用户主导任务，系统在当前操作中提供辅助 用户选择采纳、修改或执行建议
Workflow 预设步骤和分支决定执行路径 人在预设节点审批或接管
Agent 在授权范围内，根据任务目标和反馈选择下一步 人可在关键操作前审批，也可中途接管

后文以研究 Agent 为例，串联任务执行、验收与评估。不同形态也可以组合：研究工作流可以把补充检索委派给 Agent，并在发布结果前保留人工审核。

这 18 个概念构成 Agent 的骨架。括号里是常见子形态，用于理解归属，不单独计数。

text 复制代码 
0.2 核心概念（18 个）
├── 1. 运行机制
│   ├── Agent Loop（智能体循环）
│   │   ├── ReAct（推理与行动）
│   │   └── Plan-and-Execute（规划与执行）
│   ├── Planning（规划）
│   │   ├── Task Decomposition（任务分解）
│   │   └── Replanning（动态重规划）
│   ├── Tool Calling（工具调用）
│   └── Termination & Budget（终止条件与执行预算）
│
├── 2. 信息与模型
│   ├── Model（基础模型）
│   ├── Context（上下文）
│   │   ├── Context Window（上下文窗口）
│   │   └── Context Engineering（上下文工程）
│   ├── Memory（记忆）
│   │   └── Short-term / Long-term Memory
│   └── RAG（检索增强生成）
│       └── Agentic RAG（智能体式 RAG）
│
├── 3. 协作与边界
│   ├── Workflow（工作流）
│   ├── Human-in-the-Loop（人工参与）
│   ├── Multi-Agent Systems（多智能体系统）
│   │   ├── Supervisor / Worker（主管／执行者）
│   │   ├── Agent Team（团队模式）
│   │   ├── Agent Swarm（蜂群模式）
│   │   └── Subagent（子智能体）
│   └── Evaluation（评估）
│
├── 4. 扩展与生态
│   ├── MCP（模型上下文协议）
│   ├── Skills（技能）
│   └── A2A（智能体间协议）
│
└── 5. 工程化
    ├── Harness（执行支架）
    ├── State Management（状态管理）
    └── Sandbox（沙箱）
概念 示例 一句话价值 详见
Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 [1.3](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Planning 拆解目标，失败时重规划 [1.3.2](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Tool Calling ✓ 从"会说"到"能做" [1.5.1](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 [1.3.1](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Model ✓ 智力来源，决定能力上限 [1.2](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Context ✓ 每次模型调用能看到什么 [1.4.3](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Memory 跨轮次、跨会话的连续性 [1.4.2](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
RAG 接外部知识；Agentic RAG 是自主检索形态 [1.4.1](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Workflow 与 Agent 的边界，先判断该不该用 [1.3.1](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Human-in-the-Loop 高风险操作的刹车 [1.3.5](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Multi-Agent 含 Supervisor / Team / Swarm / Subagent [1.8](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Evaluation 不看轨迹就没法改进 [1.10](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
MCP 工具与资源接入的标准协议 [1.5.3](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Skills 把可复用流程封装成能力 [1.5.2](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
A2A Agent 之间的通信协议 [1.5.3](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Harness 把循环、工具、上下文、权限装起来的那层 [1.7.1](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
State Management 长任务的中断与恢复 [1.7.2](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)
Sandbox 代码与工具执行的安全边界 [1.7.3](#概念 示例 一句话价值 详见 Agent Loop ✓ 心跳；ReAct 与 Plan-and-Execute 是两种实现 1.3 Planning 拆解目标，失败时重规划 1.3.2 Tool Calling ✓ 从“会说”到“能做” 1.5.1 Termination & Budget 仅最大步数 什么时候停，防止死循环和超支 1.3.1 Model ✓ 智力来源，决定能力上限 1.2 Context ✓ 每次模型调用能看到什么 1.4.3 Memory 跨轮次、跨会话的连续性 1.4.2 RAG 接外部知识；Agentic RAG 是自主检索形态 1.4.1 Workflow 与 Agent 的边界，先判断该不该用 1.3.1 Human-in-the-Loop 高风险操作的刹车 1.3.5 Multi-Agent 含 Supervisor / Team / Swarm / Subagent 1.8 Evaluation 不看轨迹就没法改进 1.10 MCP 工具与资源接入的标准协议 1.5.3 Skills 把可复用流程封装成能力 1.5.2 A2A Agent 之间的通信协议 1.5.3 Harness 把循环、工具、上下文、权限装起来的那层 1.7.1 State Management 长任务的中断与恢复 1.7.2 Sandbox 代码与工具执行的安全边界 1.7.3)

从核心概念到工程方法

箭头表示主要关联。方法定义和适用场景见 [1.9 Agent 工程方法](#1.9 Agent 工程方法)。

text 复制代码 
从核心概念到工程方法
├── Context → Prompt Engineering、Context Engineering
├── Tool Calling → Harness Engineering、Environment Engineering
├── Harness、State Management、Sandbox → Harness Engineering
├── Agent Loop、Termination & Budget → Loop Engineering
└── Evaluation → Eval Engineering

0.3 常见误区

入门阶段最容易踩的 5 个坑，先看一眼能省不少时间。

  • 把 Agent 当成"更聪明的聊天机器人"：区别不在回答质量，而在能否行动、能否根据工具反馈调整下一步。只做问答的系统不需要 Agent，直接调模型更便宜也更可控。
  • 把 Agent 等同于工作流：工作流的分支由人预先定义，Agent 的分支由模型在运行时决定。两者常组合使用：外层用工作流保证可控，内层用 Agent 处理不确定的部分（见 1.3.1）。
  • 一上来就上 RAG 或多 Agent：先用单 Agent 跑通"循环 + 一个工具 + 上下文"，确认确实需要外部知识再上检索（1.4），确认单 Agent 确实分工不清再上多智能体（1.8）。
  • 以为工具越多越强：工具越多，选错的概率越高，工具描述本身也占上下文。起步给 3--5 个必要工具，按失败案例再加（见 1.5.1）。
  • 只看最终答案，不看执行轨迹：Agent 的失败大多发生在中间步骤------选错工具、重复调用、越权操作。要记录轨迹并逐轮评估（见 1.10.1），否则同一个错误会反复出现。

0.4 进阶方向

本节列出需要前置知识才能上手的方向，第一遍可以跳过，读到相关章节后再回来查。

text 复制代码 
0.4 进阶方向
├── Agentic RL（智能体强化学习）
├── Deep Research（深度研究）
└── Reflection（反思）
  • Agentic RL（智能体强化学习）：用任务奖励优化多步决策，前置是 1.6.1 的 RL 基础。
  • Deep Research（深度研究）：多轮检索、证据核对与综合，前置是 1.4.1 的检索链路。
  • Reflection（反思）：检查自身的推理与结果并改进后续行动，前置是 1.3 的 Loop，定义见 1.3.4。

1 Agent 原理与工程

本章讲 Agent 的原理与工程：是什么、怎么运行、怎么做好。上手部分见第 0 章，开发框架、产品与应用见第 2 章。

1.1 基础术语

本节给出四个基础术语的精确定义。Agent 与 Chatbot、Copilot、Workflow 的边界见 0.2，组成与运行机制见 1.2、1.3。

Agent（智能体）：能够围绕目标感知信息、做出决策并采取行动的系统，强调「谁在执行任务」。

Agentic（智能体式）：描述系统自主决定行动、利用反馈调整行为的程度，强调「如何完成任务」。

Agentic AI：以目标驱动、多步行动、环境反馈为特征的 AI 系统范式。

State（状态）：Agent 当前的任务进度和中间结果。状态如何保存及恢复见 1.7.2。

1.2 Agent 核心组件

本节用能力视角和工程视角拆解 Agent 的组成。各组件的运行机制见 1.3，系统落地见 1.7。

参考文章：LLM Powered Autonomous Agents

AI Agent 的核心组件在业界尚无完全统一的划分标准，但在经典的 LLM-based Agent 架构中，通常可以归纳为四个核心部分：LLM（模型）、Planning（规划）、Memory（记忆）和 Tools（工具）。这四个部分共同支撑 Agent 的推理、规划、记忆和工具使用能力。

text 复制代码 
# 常见划分 四个组件
Agent = LLM Model + 工具 + 记忆 + 规划

# 微软的划分
Agent = LLM Model + Orchestrator/Runtime + Knowledge/Memory + Tools + State

1.2.1 经典能力视角（Lilian Weng 四要素模型）

视角核心：回答"Agent 需要具备什么能力"才能区别于普通聊天机器人。

  • LLM Model（模型）：Agent 的"大脑"。提供语言理解、逻辑推理、内容生成和行动选择的能力。
  • Planning（规划）：Agent 的"导航仪"。将模糊的大目标分解为可执行的步骤，并在执行中根据反馈调整方案（包含反思机制）。
  • Memory（记忆）：Agent 的"笔记本"。保存并检索对话上下文、客观事实或用户偏好，让 Agent 具备连续性。
  • Tools（工具）：Agent 的"手脚"。调用外部 API、搜索网页、读写文件或执行代码，突破模型本身的限制。

1.2.2 工程架构视角（综合微软等官方文档的归纳）

视角核心：回答"如何将这些能力组织成可运行、可靠、可管理的系统"。

（注：这并非微软官方统一定义的"五组件"，而是综合其设计指南归纳的系统维度）

  • Model（基础模型）：系统的智力引擎，提供核心的推理与生成能力。
  • Orchestrator / Runtime（编排器/运行时）：系统的"中枢神经"。负责驱动运行、调度模型与工具、控制执行顺序，以及处理重试、中断和异常。
  • Knowledge / Memory（知识/记忆）：系统的"外部参考书"与"经验库"。Knowledge 侧重于外部业务数据的接地（如 RAG），Memory 侧重于对话历史与状态留存。
  • Skills / Tools / Actions（技能/工具/行动）：系统的"专业工具箱"。工具提供底层能力，技能封装具体业务逻辑（如"发送邮件"），行动是实际执行的操作。
  • State Management（状态管理）：系统的"存档点"。保存任务执行中的进度、中间结果和变量，使长任务能够持续执行或在中断后恢复。

简单对比

不能将两者进行机械的一一对应，它们属于不同的抽象层级。正确的对应与区别如下：

经典能力视角 工程架构视角 关系与区别
LLM Foundation Model 基本对应。
Planning Orchestrator 不完全对等。规划是一种"认知能力"（怎么拆解任务）；编排器是一个"运行时实体"（谁来调度模型和工具去执行规划）。
Memory Knowledge / Memory 有交集但不等同。记忆偏向对话历史和状态，知识偏向外部企业数据库。
Tools Skills / Tools / Actions 基本对应。工具提供底层能力，技能是对能力的业务封装。
（未单独列出） State Management 工程落地刚需。长任务需要独立的状态管理来支持中断恢复。
（未单独列出） Autonomy（自主性） 横向设计属性。它不是独立的软件组件，而是贯穿系统的规则边界（决定在多大程度上允许 Agent 自主决策、何时需要人类审批）。

ReAct 可以归入 Agent Loop 的具体实现策略，但 Agent Loop 并不局限于 ReAct。

1.3 Agent 行为机制与推理策略

本节讲 Agent 在单个任务内如何循环决策、规划、行动与纠错。检索与记忆见 1.4，工具接口见 1.5，多 Agent 协作见 1.8。

text 复制代码 
Agent 行为机制与推理策略
├── 1. 运行与执行机制
│   ├── Agent Loop（智能体循环）
│   │   ├── ReAct（推理与行动）
│   │   └── Plan-and-Execute（规划与执行）
│   ├── Workflow（工作流）
│   └── Termination Conditions & Execution Budget（终止条件与执行预算）
│
├── 2. 推理与规划策略
│   ├── Agentic Reasoning（智能体推理）
│   └── Agentic Planning（智能体规划）
│       ├── Task Decomposition（任务分解）
│       └── Replanning（动态重规划）
│
├── 3. 行动与环境交互
│   ├── Tool Selection（工具选择）
│   ├── Tool Calling（工具调用）
│   └── Observation & Feedback Processing（观察与反馈处理）
│
├── 4. 反馈、验收与交付
│   ├── Reflection（反思）
│   ├── Self-Correction（自我纠错）
│   ├── Verification（验证与校验）
│   └── Task Acceptance & Delivery（任务验收与交付）
│
└── 5. 人机协作机制
    └── Human-in-the-Loop（人工参与）

1.3.1 运行与执行机制

Agent Loop（智能体循环）：Agent 在「观察 → 决策 → 行动 → 反馈」之间持续循环，直到完成任务或满足停止条件。常见的实现模式包括：

  • ReAct（Reasoning + Acting，推理与行动）：交替进行推理、行动和观察，根据工具或环境反馈动态决定下一步。
  • Plan-and-Execute（规划与执行）：先制定整体任务计划，再逐步执行，并根据执行结果调整计划。

Workflow（工作流）：按照预先定义的步骤、条件和分支组织任务执行，可与自主 Agent 结合使用。

Termination Conditions & Execution Budget（终止条件与执行预算）：定义 Agent 何时停止执行，例如任务完成、达到最大执行次数、超时或发生不可恢复的错误。

执行流程示意（根据本节内容重绘）

text 复制代码 
通用 Agent Loop    观察 → 决策 → 行动 → 获取反馈 → 判断是否继续
ReAct              推理 → 行动 → 观察 → 决定下一步或结束
Plan-and-Execute   制定计划 → 执行步骤 → 评估结果 → 继续、重规划或结束

两种 Loop 模式对比

对比维度 ReAct Plan-and-Execute
决策方式 边推理边行动 先规划再执行
规划粒度 侧重当前下一步 侧重整体任务
工具调用 通常逐步决策 按计划执行，必要时动态调整
灵活性 较强，适应实时反馈 取决于是否支持重规划
适合任务 探索、搜索、交互式任务 多步骤、复杂任务
典型循环 Reason → Act → Observe Plan → Execute → Evaluate → Replan

两种模式可以组合。研究 Agent 可以先规划整项研究，再在每个子任务中用 ReAct 根据搜索结果决定下一步。

执行前可设定最大步数、工具调用次数、超时和 Token 或费用预算。达到上限时，停止发起新调用，保留已完成结果，并说明是否需要续跑。

1.3.2 推理与规划策略

Agentic Reasoning（智能体推理）：Agent 面向任务目标，结合上下文、环境信息和执行反馈，进行多步骤推理与动态决策。

Agentic Planning（智能体规划）：Agent 根据任务目标制定行动计划、安排执行步骤，并根据执行反馈动态调整计划。常见方法包括：

  • Task Decomposition（任务分解）：将复杂目标拆分为更小、可执行、可验证的子任务。
  • Replanning（动态重规划）：根据任务进展、执行失败或环境变化，重新调整原有计划。

1.3.3 行动与环境交互

Tool Selection（工具选择）：Agent 根据当前任务需求，从可用工具中选择合适的工具。

Tool Calling（工具调用）：在选定工具后发起调用，将结果交给下一轮决策。调用参数、接口约束和错误处理见 1.5.1。

Observation & Feedback Processing（观察与反馈处理）：Agent 获取并理解工具执行结果或环境变化，为后续推理、决策和行动提供依据。

1.3.4 反馈、验收与交付

Reflection（反思）：Agent 检查自身推理过程、执行结果或失败原因，识别问题并改进后续行动。

Self-Correction（自我纠错）：Agent 利用测试、校验或外部反馈发现并修正错误，提高任务执行的正确性。

Verification（验证与校验）：检查 Agent 的执行结果是否满足预期要求，例如验证代码运行结果、数据准确性或任务完成情况。

Task Acceptance & Delivery（任务验收与交付）：根据任务目标和验收条件，判断结果是完成、部分完成还是失败，并交付可用成果和未完成事项。例如，研究 Agent 用完检索预算后，应交付已有证据支持的结论，标明证据缺口和待核实事项，并说明任务部分完成。

1.3.5 人机协作机制

Human-in-the-Loop（人工参与）：在 Agent 执行过程中引入人工审核、确认、反馈或接管，确保关键决策和敏感操作受到适当的人类监督。

1.4 Agent 知识、检索、记忆与上下文

本节侧重 Agent 何时检索、如何使用检索结果。分块、索引和检索链路细节见 RAG 相关。

text 复制代码 
1.4 Agent 知识、检索、记忆与上下文
├── 1. 知识检索与增强
│   ├── Knowledge Base（知识库）
│   ├── Knowledge Ingestion（知识摄入与预处理）
│   │   ├── Chunking（文本分块）
│   │   └── Embedding（向量嵌入）
│   ├── Retrieval（信息检索）
│   │   ├── Keyword Search（关键词检索）
│   │   ├── Semantic Search（语义搜索）
│   │   └── Hybrid Search（混合检索）
│   ├── Retrieval Optimization（检索优化）
│   │   ├── Query Rewriting（查询改写）
│   │   └── Reranking（重排序）
│   ├── RAG（检索增强生成）
│   │   └── Agentic RAG（智能体式 RAG）
│   └── Agentic Search（智能体搜索）
│       ├── Deep Search（深度搜索）
│       └── Deep Research（深度研究）
│
├── 2. 记忆与信息管理
│   └── Agent Memory（智能体记忆系统）
│       ├── 记忆类型
│       │   ├── Short-term Memory（短期记忆）
│       │   └── Long-term Memory（长期记忆）
│       │       ├── Episodic Memory（情景记忆）
│       │       └── Semantic Memory（语义记忆）
│       └── 记忆管理机制
│           ├── Agentic Memory（自主记忆管理）
│           ├── Memory Persistence（记忆持久化）
│           ├── Memory Retrieval（记忆检索）
│           └── Memory Write-back（记忆回写）
│
└── 3. 上下文管理与优化
    ├── Context Window（上下文窗口）
    └── Context Engineering（上下文工程）
        ├── Context Assembly（上下文组装）
        ├── Context Routing（上下文路由）
        ├── Context Truncation（上下文截断）
        └── Compaction / Summarization（上下文压缩与摘要）

1.4.1 知识检索与增强

  • Knowledge Base（知识库）：存储和组织文档、数据及领域知识，为 Agent 提供外部知识来源。

  • Knowledge Ingestion（知识摄入与预处理）：将外部数据经过解析、清洗和加工，转化为可检索的知识资源。

    • Chunking（文本分块）：将长文档拆分为适合索引和检索的较小片段。
    • Embedding（向量嵌入）：将文本等信息转换为向量表示，以支持语义相似度计算。

  • Retrieval（信息检索）：根据查询从知识源中查找与任务相关的信息。

    • Keyword Search（关键词检索）：根据关键词匹配程度查找相关内容，典型技术包括 BM25。
    • Semantic Search（语义搜索）：根据查询与内容的语义相关性检索信息，通常利用向量表示实现。
    • Hybrid Search（混合检索）：结合关键词检索与语义检索，提高检索的覆盖范围和相关性。

  • Retrieval Optimization（检索优化）：通过改进查询或处理检索结果，提高检索质量。

    • Query Rewriting（查询改写）：将原始问题改写为更适合检索的查询表达。
    • Reranking（重排序）：对初步检索结果重新评分和排序，优先保留更相关的信息。

  • RAG（检索增强生成）：先检索外部知识，再结合检索结果生成回答或辅助决策。

    • Agentic RAG / Agent RAG（智能体式 RAG）：Agent 自主决定何时检索、检索什么、如何评估证据及是否继续搜索。

  • Agentic Search（智能体搜索）：围绕目标自主进行多轮查询、浏览、筛选和交叉验证。

    • Deep Search（深度搜索）：针对复杂问题进行多轮、多来源的深入搜索与证据验证。
    • Deep Research（深度研究）：结合自主规划、深度检索、分析与信息综合，完成复杂研究任务并生成研究成果。

1.4.2 记忆与信息管理

  • Agent Memory（智能体记忆系统）：负责存储、管理和利用 Agent 在任务与交互过程中积累的信息和经验。

  • 记忆类型

    • Short-term Memory（短期记忆）：保存当前会话或任务中近期需要的信息。

    • Long-term Memory（长期记忆）：跨会话或跨任务保留可复用的事实、偏好和经验。

      • Episodic Memory（情景记忆）：保存具体的历史事件、交互经历和任务执行过程。
      • Semantic Memory（语义记忆）：保存抽象化的事实、概念、用户偏好和知识。

  • 记忆管理机制

    • Agentic Memory（自主记忆管理）：Agent 主动管理记忆的写入、检索、更新与遗忘。
    • Memory Persistence（记忆持久化）：将记忆保存到持久化存储中，使其能够跨会话或系统重启后继续使用。
    • Memory Retrieval（记忆检索）：按当前任务筛选相关记忆，检查时效和访问权限，再将选中的信息组装进上下文。
    • Memory Write-back（记忆回写）：将任务过程中产生的新信息和经验写入记忆系统，供后续使用。

1.4.3 上下文管理与优化

  • Context Window（上下文窗口）：模型单次调用能够处理的上下文容量，通常以 Token 数量衡量。

  • Context Engineering（上下文工程）：为每次模型调用选择、组织、压缩并更新恰当的信息。

    • Context Assembly（上下文组装）：将系统指令、历史消息、记忆、检索结果和工具输出组织成模型输入。
    • Context Routing（上下文路由）：根据任务需求，将相关上下文分配给适当的 Agent、模型或处理环节。
    • Context Truncation（上下文截断）：当上下文超出容量或预算时，按策略移除部分内容。
    • Compaction / Summarization（上下文压缩与摘要）：将冗长历史转换为更紧凑的摘要，以降低上下文占用并保留关键信息。

1.5 Agent 工具、技能与交互协议

本节讲 Agent 能做什么（工具与技能），以及系统之间如何连接（协议）。工具调用的时机见 1.3.3，沙箱等执行环境见 1.7.3。

text 复制代码 
1.5 Agent 工具、技能与交互协议
├── 1. 工具调用与工程化
│   ├── Tool Use / Function Calling（工具使用／函数调用）
│   ├── Tool Engineering（工具工程）
│   │   └── Tool Schema（工具接口定义）
│   └── Tool Discovery（工具发现）
│
├── 2. 技能封装与复用
│   ├── Agent Skills（智能体技能）
│   └── Skill Self-Evolution（技能自进化）
│
├── 3. Agent 通信与交互协议
│   ├── MCP（Model Context Protocol）
│   ├── A2A（Agent-to-Agent Protocol）
│   └── AG-UI（Agent--User Interaction Protocol）
│
└── 4. 环境操作与执行能力
    ├── Computer Use（计算机操作）
    ├── Browser Use（浏览器操作）
    └── Code Execution（代码执行）

1.5.1 工具调用与工程化

  • Tool Use / Function Calling（工具使用／函数调用）：模型根据任务选择工具并生成调用参数，由外部执行器完成实际调用并返回结果。

  • Tool Engineering（工具工程）：设计工具接口、参数约束、权限控制、错误处理和调用可靠性，确保 Agent 能安全稳定地使用工具。

    • Tool Schema（工具接口定义）：通过结构化规范描述工具名称、功能、输入参数及约束，使模型能够正确调用工具。

  • Tool Discovery（工具发现）：根据任务需求发现可用工具及其能力描述，为后续工具选择和调用提供依据。

1.5.2 技能封装与复用

  • Agent Skills（智能体技能）：将可复用的任务说明、工作流程及可选脚本或资源封装为技能，供 Agent 按需加载和执行。
  • Skill Self-Evolution（技能自进化）：根据任务经验和反馈生成或修订可复用技能，供后续任务使用。

1.5.3 Agent 通信与交互协议

  • MCP（Model Context Protocol，模型上下文协议）：连接 AI 应用与外部工具、资源和提示模板的开放协议。
  • A2A（Agent-to-Agent Protocol，智能体间通信协议）：支持独立 Agent 之间发现能力、交换消息、委托任务及协作执行的开放协议。
  • AG-UI（Agent--User Interaction Protocol，智能体与用户交互协议）：用于 Agent 与前端应用之间传递事件、同步状态和支持交互式操作的协议。

1.5.4 环境操作与执行能力

  • Computer Use（计算机操作）：Agent 通过观察图形界面并模拟鼠标、键盘等操作，与应用程序进行交互。
  • Browser Use（浏览器操作）：Agent 通过浏览器访问网页、提取信息、填写表单并完成多步骤在线任务。
  • Code Execution （代码执行）：Agent 在受控环境中运行代码，完成计算、数据处理、测试或自动化任务。
    代码执行所用的沙箱见 1.7.3。

1.6 Agent 模型训练、推理优化与选型

本节讲 Agent 所用基础模型的来源、优化与挑选。任务层的推理与规划见 1.3.2，路由与成本设施见 1.7.4。

text 复制代码 
1.6 Agent 模型训练、推理优化与选型
├── 1. Agent 学习与训练
│   ├── SFT（监督微调）
│   │   └── Agentic SFT（智能体监督微调）
│   ├── RL（强化学习）
│   │   └── Agentic RL（智能体强化学习）
│   ├── Trajectory Learning（轨迹学习）
│   └── 训练反馈机制
│       ├── Reward Modeling（奖励建模）
│       └── Credit Assignment（信用分配）
│
├── 2. 推理时优化
│   ├── Reasoning Model（推理模型）
│   └── Test-Time Scaling（推理时扩展）
│
└── 3. 模型选择与混合架构
    ├── Model Routing（模型路由）
    ├── Small Language Model / SLM（小语言模型）
    ├── Decision / Judgment Model（决策／判断模型）
    └── Hybrid Agent Architecture（混合式 Agent 架构）

1.6.1 Agent 学习与训练

  • SFT （监督微调）：利用高质量标注数据对预训练模型进行监督训练，使模型学习期望的输出和行为。
    • Agentic SFT （智能体监督微调）：SFT 在 Agent 场景下的应用，主要利用任务轨迹和工具调用示范，提升模型的规划、工具使用与多步任务执行能力。
      • 注：Agentic SFT 本质上仍是 SFT，区别主要在于训练数据和训练目标，而不是全新的训练算法。
  • RL （强化学习）：通过与环境交互并利用奖励反馈，学习能够最大化累积奖励的决策策略。
    • Agentic RL（智能体强化学习）：RL 在 Agent 场景下的应用，利用任务奖励和环境反馈优化 Agent 的多步决策、工具使用及行动策略。
  • Trajectory Learning（轨迹学习）：利用任务执行过程中的状态、行动和反馈序列，学习或改进 Agent 的决策行为。
  • 训练反馈机制：通过奖励评估和行动贡献归因，为模型训练提供优化信号。
    • Reward Modeling（奖励建模）：设计或学习用于评价模型行动、执行过程及任务结果的奖励函数或模型。
    • Credit Assignment（信用分配）：判断多步任务的最终成败应归因于哪些中间行动，为策略优化提供依据。

1.6.2 推理时优化

  • Reasoning Model（推理模型）：提供单次模型调用中的推理能力。Agentic Reasoning（见 1.3.2）发生在任务执行层，Agent 可以跨多次模型调用，结合工具结果和环境反馈决定下一步。
  • Test-Time Scaling（推理时扩展）：通过增加推理阶段的计算、搜索、采样或验证资源，提高模型的推理质量与任务完成能力，而不必更新模型参数。

1.6.3 模型选择与混合架构

  • Model Routing（模型路由）：根据任务复杂度、成本、延迟或风险，动态选择适合的模型处理任务。
  • Small Language Model / SLM（小语言模型）：参数规模相对较小、计算开销较低的语言模型，可承担分类、路由及特定领域任务。
  • Decision / Judgment Model（决策／判断模型）：面向分类、选择、评分和结构化判断等任务进行优化的专用模型。
  • Hybrid Agent Architecture（混合式 Agent 架构）：组合通用大语言模型、专用模型、工具和确定性规则，协同完成复杂任务。

1.7 Agent 系统架构、运行时与基础设施

本节讲把上述能力组织成可运行、可恢复、可发布的系统需要哪些部件。工程方法见 1.9，评估与治理见 1.10。

text 复制代码 
1.7 Agent 系统架构、运行时与基础设施
├── 1. Agent 执行架构与运行时
│   ├── Agent Harness（智能体执行支架）
│   ├── Agent Runtime（智能体运行时）
│   ├── Orchestration（编排）
│   └── Hooks / Middleware（钩子／中间件）
│
├── 2. 状态管理与可靠执行
│   ├── State Management（状态管理）
│   └── Durable Execution（持久化执行）
│       └── Checkpoint / Resume（检查点／恢复）
│
├── 3. Agent 执行环境与运行形态
│   ├── Sandbox（沙箱）
│   └── Background Agents（后台智能体）
│
├── 4. 模型与数据基础设施
│   ├── Model Gateway（模型网关）
│   └── Vector Database（向量数据库）
│
└── 5. 部署与运维
    ├── Version Management（版本管理）
    ├── Canary Release & Rollback（灰度发布与回滚）
    └── Monitoring & Alerting（运行监控与告警）

1.7.1 Agent 执行架构与运行时

  • Agent Harness（智能体执行支架）：围绕模型组织执行循环、工具调用、上下文管理和行为约束，为 Agent 提供完成任务所需的运行支撑机制。
  • Agent Runtime（智能体运行时）：负责实际运行 Agent，管理模型调用、工具执行、任务状态和执行生命周期。
  • Orchestration（编排）：协调任务步骤、工具调用或多个 Agent 之间的执行顺序、依赖关系和结果汇总。
  • Hooks / Middleware（钩子／中间件）：在模型调用、工具执行或任务生命周期的特定阶段插入日志、权限检查和自定义处理逻辑。

1.7.2 状态管理与可靠执行

  • State Management（状态管理）：维护和更新 Agent 的任务状态、执行进度及中间结果，保证多步骤任务的连续性。

  • Durable Execution（持久化执行）：通过持久化状态、恢复和重试等机制，使 Agent 任务能够在故障、重启或中断后继续执行。

    • Checkpoint / Resume（检查点／恢复）：保存 Agent 的执行状态，并在中断或人工审批后从检查点恢复任务。

恢复前应核对具有外部副作用的操作是否已经完成。例如，发邮件后超时，可先查询发送记录，再决定是否重试。

1.7.3 Agent 执行环境与运行形态

  • Sandbox（沙箱）：通过隔离和限制文件、网络及进程访问，约束工具与代码执行。
  • Background Agents（后台智能体）：在后台异步执行任务的 Agent，无需用户持续交互即可完成较长时间的工作。

1.7.4 模型与数据基础设施

  • Model Gateway（模型网关）：统一管理模型 API 访问、模型路由、限流、监控和成本控制的基础设施。
  • Vector Database（向量数据库）：用于存储、索引和检索向量数据的数据库，常用于语义搜索、RAG 和 Agent 记忆检索。

1.7.5 部署与运维

  • Version Management（版本管理）：记录每次发布使用的模型配置、提示词、技能、工具接口和权限策略，以便复现行为并定位变更。
  • Canary Release & Rollback（灰度发布与回滚）：先让新版本处理少量任务，再根据成功率、成本和异常操作决定是否扩大范围。达到预设的回滚条件时，恢复到已知稳定版本，并检查在途任务能否安全继续。
  • Monitoring & Alerting（运行监控与告警）：跟踪任务失败率、超时率、预算消耗和异常工具调用，并为持续异常设置告警。日志与追踪见 1.10.2。

1.8 Agent 多智能体与任务协作

本节讲多个 Agent 如何分工、委派、通信与协作。单体运行机制见 1.3，协作框架见 2.1.3。

text 复制代码 
1.8 Agent 多智能体与任务协作
├── 1. 多智能体基础
│   └── Multi-Agent Systems（多智能体系统）
│
├── 2. 多智能体组织与协作模式
│   ├── Hierarchical Architecture（层级式架构）
│   │   ├── Supervisor / Worker（主管／执行者模式）
│   │   └── Main Agent & Subagents（主智能体与子智能体）
│   ├── Agent Team（智能体团队模式）
│   └── Agent Swarm（智能体蜂群模式）
│
└── 3. 多智能体协作与通信机制
    ├── Agent Collaboration（智能体协作）
    ├── Task Delegation（任务委派）
    ├── Agent Handoff（任务移交）
    ├── Agent Debate（智能体辩论）
    ├── Agent Communication（智能体通信）
    ├── Shared State / Workspace（共享状态与工作区）
    └── Agent Interoperability（智能体互操作）

1.8.1 多智能体基础

  • Multi-Agent Systems（多智能体系统）：由多个具有一定自主性的 Agent 组成，通过分工、通信和协调共同完成任务或实现系统目标。

1.8.2 多智能体组织与协作模式

  • Hierarchical Architecture（层级式架构）：通过上下级控制关系组织多个 Agent，由上层 Agent 负责协调、分配任务和管理执行过程。

    • Supervisor / Worker（主管／执行者模式）：由主管 Agent 负责分配和协调任务，多个执行者 Agent 完成子任务并返回结果。
    • Main Agent & Subagents（主智能体与子智能体）：主 Agent 将特定任务委派给具有独立执行能力的子 Agent，并接收和整合其执行结果。

  • Agent Team（智能体团队模式）：多个具有不同角色或专业能力的 Agent 围绕共同目标进行分工、沟通与协作。

  • Agent Swarm（智能体蜂群模式）：多个 Agent 通过动态任务分配、灵活交接或分散协作完成任务，具体组织方式因框架而异。

1.8.3 多智能体协作与通信机制

  • Agent Collaboration（智能体协作）：多个 Agent 通过共享信息、分担任务和联合决策，共同完成复杂任务。
  • Task Delegation（任务委派）：一个 Agent 将特定子任务交给另一个 Agent 执行，通常仍负责协调任务或接收执行结果。
  • Agent Handoff（任务移交）：一个 Agent 将当前任务的处理责任或执行控制权转交给另一个 Agent，使其继续完成任务。
  • Agent Debate（智能体辩论）：多个 Agent 通过提出、质疑和比较不同观点或方案，改进推理质量与决策结果。
  • Agent Communication（智能体通信）：多个 Agent 通过消息、事件或结构化数据交换任务信息、执行结果和协作指令。
  • Shared State / Workspace（共享状态与工作区）：多个 Agent 通过共同访问和更新任务状态、中间结果或工作空间，实现信息共享与协同执行。
  • Agent Interoperability（智能体互操作）：使不同框架、平台或组织中的 Agent 能够交换信息、理解彼此的能力并协同完成任务。

1.9 Agent 工程方法

本节按"遇到什么问题、用哪个方法、机制在哪一节"重新组织前面的内容，机制本身不在此展开。

text 复制代码 
1.9 Agent 工程方法
├── 1. Agent 输入与执行设计
│   ├── Prompt Engineering（提示词工程）
│   ├── Context Engineering（上下文工程）
│   ├── Harness Engineering（执行支架工程）
│   └── Loop Engineering（循环工程）
│
└── 2. Agent 环境与评估设计
    ├── Environment Engineering（环境工程）
    └── Eval Engineering（评估工程）

1.9.1 Agent 输入与执行设计

这一组围绕 Agent 如何接收信息、调用工具和持续推进任务。Prompt 和 Context 关注模型输入，Harness 和 Loop 关注任务执行。

遇到的问题 工程方法 机制入口
指令理解不稳定 Prompt Engineering，明确目标、示例和输出约束 1.4.3 上下文组装、1.5.1 工具描述
输入过长或关键信息缺失 Context Engineering，调整信息筛选和压缩策略 1.4.3 上下文管理
长任务中断或操作失控 Harness Engineering，设计执行控制、检查点与权限 1.7.1--1.7.3、1.10.4
任务反复执行却难以改进 Loop Engineering，设置停止条件并利用反馈调整行动 1.3.1、1.3.4
  • Prompt Engineering（提示词工程）：通过设计指令、示例和输出约束来引导模型行为。
  • Context Engineering（上下文工程）：为每次模型调用筛选、组织和更新所需信息，见 1.4.3。
  • Harness Engineering（执行支架工程）：围绕模型设计工具执行、状态恢复和权限控制。
  • Loop Engineering（循环工程）：设计行动、反馈、重试和停止条件，让任务持续推进。

1.9.2 Agent 环境与评估设计

这一组关注 Agent 在什么环境中行动，以及用什么标准检验任务表现。

遇到的问题 工程方法 机制入口
外部操作难以观察或验证 Environment Engineering，为工具和环境提供可检查的反馈 1.3.3、1.5.4
修改后无法判断效果 Eval Engineering，建立任务样例和回归评估 1.10.1、1.10.2
  • Environment Engineering（环境工程）：为 Agent 提供可观察、可操作、可验证的任务环境。
  • Eval Engineering（评估工程）：用任务样例、评分规则和回归检查衡量系统表现。

1.9 小结

自改进 Agent 可在当前任务中动态重规划（1.3.2），也可通过记忆回写（1.4.2）、技能更新（1.5.2）和模型训练（1.6.1）积累跨任务的改进。

1.10 Agent 评估、可观测性、安全与治理

大模型榜单评测网站：Artificial Analysis

本节讲如何判断 Agent 做得好不好、出问题怎么查、如何限制它能做什么。发布与回滚见 1.7.5。

text 复制代码 
1.10 Agent 评估、可观测性、安全与治理
├── 1. Agent 评估体系
│   ├── Agent Evaluation（智能体评估）
│   └── Agent Benchmark（智能体基准测试）
│       ├── SWE-bench
│       ├── GAIA
│       ├── WebArena
│       └── OSWorld
│
├── 2. 可观测性与执行追踪
│   ├── Observability（可观测性）
│   ├── Tracing（执行追踪）
│   └── LangSmith / Langfuse
│
├── 3. 安全威胁与防护
│   ├── Guardrails（护栏）
│   └── Prompt Injection（提示注入）
│
└── 4. 权限与执行治理
    ├── Permission / Approval（权限／审批）
    └── Least Privilege（最小权限原则）

1.10.1 Agent 评估体系

  • Agent Evaluation（智能体评估）：衡量任务成功率、轨迹质量、成本、延迟和可靠性。1.3.4 的验收用于判断一次任务能交付什么。批量评估则用一组研究任务检查证据是否支持结论、证据缺口是否如实标注，并分别统计完成、部分完成和失败的比例。
  • Agent Benchmark（智能体基准）：使用标准化任务比较 Agent 的能力和表现。
  • SWE-bench：以真实软件仓库问题评估代码修复能力的基准。
  • GAIA：测试 AI 助手多步推理、工具使用和信息获取能力的基准。
  • WebArena：评估 Agent 在模拟网页环境中完成任务的能力。
  • OSWorld：评估 Agent 在计算机操作环境中完成任务的能力。

1.10.2 可观测性与执行追踪

  • Observability（可观测性）：通过日志、指标和轨迹了解 Agent 的运行过程。
  • Tracing（执行追踪）：记录模型调用、工具执行、状态变化和关键决策链路。
  • LangSmith / Langfuse：用于 LLM/Agent 追踪、调试与评估的平台示例。

1.10.3 安全威胁与防护

  • Guardrails（护栏）：通过输入输出校验、策略约束和执行限制降低风险。
  • Prompt Injection（提示注入）：恶意内容通过工具结果、网页或文档影响 Agent 行为的攻击方式。

1.10.4 权限与执行治理

  • Permission / Approval（权限／审批）：控制 Agent 可以执行哪些操作，以及何时需要用户授权。
  • Least Privilege（最小权限）：只授予 Agent 完成任务所需的最小访问和执行权限。

2 Agent 开发生态与应用

本章讲 Agent 的生态与应用：用什么开发、有哪些产品、做成什么应用。原理与工程机制见第 1 章。

2.1 Agent Framework / SDK（开发框架）

本节按用途区分开发框架与 SDK，只说明定位，不做排名。执行支架与运行时见 1.7.1。

text 复制代码 
2.1 Agent Framework / SDK（开发框架）
├── 1. 通用 Agent 与应用开发框架
│   ├── LangChain
│   ├── Agno
│   ├── PydanticAI
│   └── smolagents
│
├── 2. 工作流与状态编排框架
│   ├── LangGraph
│   ├── Mastra
│   └── Microsoft Agent Framework
│
├── 3. 多智能体协作框架
│   ├── CrewAI
│   └── AutoGen
│
└── 4. Agent 执行框架与专用 SDK
    ├── OpenAI Agents SDK
    ├── Claude Agent SDK
    └── Google ADK

2.1.1 通用 Agent 与应用开发框架

  • LangChain：提供模型、工具、检索和 Agent 构建的高级抽象，帮助开发者快速构建大语言模型应用。
  • Agno：面向 Agent、Team 和 Workflow 的开发框架与平台，支持智能体应用的构建、运行和管理。
  • PydanticAI：基于 Python 和 Pydantic 的 Agent 开发框架，强调类型安全、结构化输出和开发体验。
  • smolagents：轻量级 Agent 开发框架，支持通过代码生成或结构化工具调用完成任务。

2.1.2 工作流与状态编排框架

  • LangGraph：基于图结构构建有状态 Agent 和工作流的编排框架，强调执行控制、状态持久化与恢复。
  • Mastra：面向 TypeScript 生态的 Agent 开发框架，集成工作流编排、记忆管理和应用运行能力。
  • Microsoft Agent Framework：微软推出的 Agent 开发框架，支持智能体构建、多智能体编排、有状态工作流及运行管理。

2.1.3 多智能体协作框架

  • CrewAI：强调角色分工、任务委派和团队协作的多智能体框架，同时支持结构化工作流。
  • AutoGen：微软推出的多智能体框架生态，以 Agent 之间的消息传递、多轮对话和协作执行为核心。

2.1.4 Agent 执行框架与专用 SDK

  • OpenAI Agents SDK：提供 Agent Loop、工具调用、Handoff、Guardrails 和运行追踪等能力的轻量级智能体开发 SDK。
  • Claude Agent SDK：将 Claude Code 风格的 Agent 执行能力封装为 SDK，支持开发者构建具备工具操作和自主任务执行能力的应用。
  • Google ADK（Agent Development Kit）：Google 推出的 Agent 开发工具包，支持智能体构建、工具集成、多智能体协作和任务编排。

2.2 面向个人的 Agent 产品

按代表性使用场景归类，同一产品可能覆盖多个入口。

text 复制代码 
2.2 面向个人的 Agent 产品
├── 1. 编程与开发 Agent
│   ├── IDE / 编辑器集成型
│   │   ├── Cursor
│   │   ├── GitHub Copilot
│   │   ├── TRAE
│   │   ├── Windsurf
│   │   ├── Kiro
│   │   ├── JetBrains Junie
│   │   ├── Cline
│   │   └── Roo Code
│   ├── 终端 / CLI 型
│   │   ├── Claude Code
│   │   ├── Aider
│   │   ├── OpenCode
│   │   └── Gemini CLI
│   ├── 桌面 / 多端工作台
│   │   ├── Google Antigravity
│   │   └── ZCode
│   ├── 云端 / 异步自主型
│   │   ├── OpenAI Codex
│   │   ├── Devin
│   │   └── OpenHands
│   └── 对话式应用生成 / Vibe Coding
│       ├── Lovable
│       ├── Bolt.new
│       ├── Replit Agent
│       └── Vercel v0
│
├── 2. 通用个人自主 Agent
│   ├── 开源 / 自托管个人 Agent
│   │   ├── OpenClaw
│   │   └── Hermes Agent
│   ├── 云端通用自主 Agent
│   │   ├── Manus
│   │   └── Genspark
│   └── 桌面 / 浏览器操作 Agent
│       ├── Perplexity Computer
│       └── Perplexity Comet
│
├── 3. 办公与生产力 Agent
│   ├── ChatGPT Work
│   ├── Claude Cowork
│   └── WorkBuddy
│
└── 4. Agent Harness 平台
    └── DeepSeek Harness

2.2.1 编程与开发 Agent

IDE / 编辑器集成型

  • Cursor ：将 AI 编码能力深度整合到编辑器和开发工作流中的工具。 官网
  • GitHub Copilot ：集成于开发平台和 IDE 的 AI 编码助手及 Agent 功能。 VS Code 扩展仓库
  • TRAE ：支持 IDE 和 SOLO 模式的 AI 编程工具。中国版文档
  • Windsurf ：集成 Cascade 的 AI 编辑器，可结合项目上下文修改代码并执行终端命令。Cascade 文档
  • Kiro ：强调规格驱动开发的 AI 编程工具，可将需求整理为设计和实施任务，再按任务推进开发。Specs 文档
  • JetBrains Junie ：可在 JetBrains IDE 中接手多步开发任务，理解项目、修改代码、运行测试并提交结果供开发者审查。官方文档
  • Cline ：面向 IDE 的开源编码 Agent，支持工具调用和代码修改。 官方 GitHub 仓库
  • Roo Code ：提供多种模式和可配置工作流的 IDE 编码 Agent。 官方 GitHub 仓库

终端 / CLI 型

桌面 / 多端工作台

  • Google Antigravity ：提供桌面、CLI 和 IDE 扩展的开发工作台。官方文档
  • ZCode ：面向开发者的 AI 编程工具，支持配置不同模型服务。官方文档

云端 / 异步自主型

  • OpenAI Codex ：面向代码理解、修改、测试和任务委托的 Coding Agent 产品体系。 官方 CLI 仓库
  • Devin ：面向软件工程任务的自主 Coding Agent 产品。 官方文档
  • OpenHands ：提供本地和云端形态，此处侧重 OpenHands Cloud。官方仓库

退役说明 · Google Jules 是 Google 的云端异步编程 Agent，可基于 GitHub 仓库执行开发任务，官方计划于 2026 年 11 月 11 日后转为只读，并于 12 月 31 日停止服务。官方公告

对话式应用生成 / Vibe Coding

  • Lovable ：通过自然语言生成和迭代全栈 Web 应用，可接入后端并发布上线。官方文档
  • Bolt.new ：在浏览器里用提示词创建全栈 Web 应用，并在同一工作区编辑代码、运行和预览。官方文档
  • Replit Agent ：根据自然语言需求在 Replit 工作区搭建、测试和迭代应用，再通过 Replit 发布。官方文档
  • Vercel v0 ：可从提示词或设计稿生成界面，将原型扩展为带后端的全栈应用，并部署到 Vercel。官方文档

2.2.2 通用个人自主 Agent

开源 / 自托管个人 Agent

  • OpenClaw ：可自托管的开源个人助理，可通过消息渠道接收任务，并调用工具和技能完成日程、邮件等跨应用操作。官方网站 官方 GitHub 仓库
  • Hermes Agent ：Nous Research 的开源通用 Agent，可通过终端或消息渠道使用，并借助持久记忆和可复用技能处理跨会话任务。官方仓库

云端通用自主 Agent

  • Manus ：可将调研、演示文稿和网页应用等任务交给 Agent 执行并获取成果。官网
  • Genspark ：可调用多种工具执行资料调研、内容生成和演示文稿制作等多步任务。官方文档

桌面 / 浏览器操作 Agent

  • Perplexity Computer ：跨工具执行任务的通用 Agent，可通过 Comet 处理网页任务。官方说明
  • Perplexity Comet ：带 Agent 能力的浏览器，可执行网页操作。官方说明

2.2.3 办公与生产力 Agent

  • ChatGPT Work ：ChatGPT 中面向办公任务的 Work 模式。官方说明
  • Claude Cowork ：在 Claude 中委派多步办公任务。官方说明
  • WorkBuddy ：腾讯面向职场任务的 Agent 工作台，覆盖文档和演示文稿生成、数据分析、资料调研及文件处理。产品介绍

2.2.4 Agent Harness 平台

此组关注可扩展的 Agent 执行产品，目前以 DeepSeek Harness 为例。

  • DeepSeek Harness ：DeepSeek 推出的开源 Agent 执行平台，目前为预览版，提供桌面端，可通过插件组合工具和扩展能力。官方网站 官方 GitHub 仓库

2.3 Agent 应用类型

本节按任务性质区分 Agent 的应用类型。产品实例见 2.2。

text 复制代码 
2.3 Agent 应用类型
├── 1. 任务型 Agent
│   ├── Coding Agent（编程智能体）
│   ├── Research Agent（研究智能体）
│   └── Data Analysis Agent（数据分析智能体）
│
├── 2. 业务型 Agent
│   └── Enterprise Agent（企业智能体）
│
└── 3. 环境交互型 Agent
    ├── GUI Agent（图形界面智能体）
    └── Embodied Agent（具身智能体）

Coding Agent（编程智能体）：处理代码搜索、修改、调试、测试与软件工程任务。

Research Agent（研究智能体）：自主搜索资料、核对来源、整理证据并生成研究成果。 相关通用产品示例见 2.2.2。

Data Analysis Agent（数据分析智能体）：调用数据工具完成查询、清洗、分析和可视化。

Enterprise Agent（企业智能体）：连接企业知识、业务系统和审批流程来执行工作。

GUI Agent（图形界面智能体）：通过屏幕和交互操作完成软件中的任务。

Embodied Agent（具身智能体）：通过机器人或物理执行器与真实环境交互。

个人声明

本文为个人学习笔记，如有错误，欢迎指正。

相关推荐
方方洛14 分钟前
ray教程-28-附录G-CICD与Slurm与云上调度
人工智能·分布式·机器学习
疯华整猫29 分钟前
混淆起初根本不是为了防破解：我用 Trae 把 Android 混淆这二十来年重跑了一遍
android·人工智能·计算机视觉
Kari1132 分钟前
企业大模型RAG知识库从0到1搭建指南：腾讯云ADP+JOTO实战
人工智能·云计算·腾讯云
深蓝AI32 分钟前
GPT-6.1 Terra 在 Bedrock 全面可用：便宜一半快三倍，日常任务选型要重算
人工智能·程序员
用户29914221968039 分钟前
AI 日报（2026年11月9日）
人工智能
用户29914221968040 分钟前
GitHub 热榜项目：日榜（2026-11-09）
人工智能·开源·github
卷无止境1 小时前
百万 token 时代的真相：主流大模型上下文窗口与最大输出的横向对比分析
人工智能·python
测试界的小码农1 小时前
【 AI Agent 软件测试实战（05）：任务规划与状态管理，让 Agent 学会拆解复杂测试任务】
人工智能·测试工具
泯泷1 小时前
AI时代，中层还要替公司传多少次话？
人工智能·架构
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03历年考研数学一、数学二、数学三真题试卷及答案PDF04几个好用的ip纯净度检测网站05GitHub 镜像站点06苹果iPA游戏软件资源下载网站07微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新08蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接09昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战10Dify：一站式AI应用开发平台全解析与Windows部署指南