在上一篇文章中了解了什么是智能体Agent以及从传统智能体到 LLM Agent 的发展过程。简单来说Agent 的核心目标就是感知环境根据目标进行决策并采取行动完成任务。那么一个智能体具体是如何工作的它内部由哪些部分组成这篇文章将继续学习 Agent 的任务环境、运行流程以及感知与行动机制。一、智能体的任务环境PEAS 模型要理解智能体如何运行首先需要了解它所处的环境。人工智能领域通常使用PEAS 模型来描述一个智能体的任务环境。PEAS 分别代表Performance性能指标Environment环境Actuators执行器Sensors传感器例如一个智能旅行助手组成说明性能指标是否满足用户需求例如行程合理性、价格、体验环境天气、航班、酒店、景点等外部信息执行器调用查询接口、生成方案、预订服务传感器用户输入、API返回数据通过 PEAS 模型可以帮助开发者明确智能体需要完成什么目标以及需要通过什么方式与环境交互。二、智能体面对的环境特点在实际应用中LLM Agent 所面对的环境通常具有以下特点。1. 部分可观察性智能体无法获取环境的全部信息。例如旅行助手查询航班时它可能只能通过 API 获取部分航班数据而无法直接知道所有航空公司的实时情况。因此 Agent 需要结合当前获取的信息历史记录用户反馈不断完善对环境的理解。这也是为什么 Agent 需要Memory记忆机制。2. 不确定性现实环境通常不是完全固定的。例如用户查询机票价格第一次查询价格800元 余票5张过一段时间价格950元 余票2张环境已经发生变化。因此 Agent 需要具备处理变化的能力而不能简单按照固定规则执行。3. 多智能体环境很多场景中环境里并不只有一个 Agent。例如旅游助手其他用户购买机票航空公司的自动调价系统其他自动化程序都会影响当前环境。这些外部行为都会改变 Agent 的决策结果。4. 序贯与动态环境智能体面对的任务通常不是一次完成的。当前行动可能影响未来结果。例如用户要求帮我制定一个旅游计划Agent 可能需要查询天气 ↓ 选择景点 ↓ 规划路线 ↓ 调整酒店前一步的结果会影响后续决策。因此现代 Agent 通常采用循环式工作方式而不是一次性输出答案。三、智能体的运行机制Agent Loop智能体并不是接收到问题后直接生成答案而是通过一个不断循环的过程完成任务。这个过程通常被称为Agent Loop智能体循环核心流程感知 Perception ↓ 思考 Thought ↓ 行动 Action ↓ 观察 Observation ↓ 再次思考1. 感知Perception这是 Agent 获取信息的阶段。信息来源包括用户输入数据库API 返回结果工具执行结果。这些信息会成为 Agent 当前的观察Observation。2. 思考Thought这是 Agent 的核心决策阶段。对于 LLM Agent 来说这一步主要由大语言模型完成。通常包括两个过程1任务规划 PlanningAgent 会分析当前目标并拆分任务。例如用户帮我安排一次旅游Agent 可能拆分确认时间 ↓ 查询天气 ↓ 规划路线 ↓ 推荐酒店2工具选择 Tool Selection如果仅依靠语言模型无法完成任务Agent 会选择调用外部工具。例如查询天气调用天气API查询订单调用订单查询接口这就是 Agent 和普通聊天机器人的重要区别。3. 行动Action完成决策后Agent 会执行具体操作。例如调用get_weather(北京)然后工具返回天气数据。Agent 通过调用外部工具让语言模型具备影响现实环境的能力。4. 观察Observation工具执行完成后会产生新的结果。例如工具返回{ city:北京, weather:晴, temperature:25 }Agent 会将这些数据转换成容易理解的信息北京当前天气晴气温25℃。然后进入下一轮循环。四、Thought-Action-Observation 循环现代 LLM Agent 中一个非常经典的运行模式就是Thought → Action → Observation例如用户北京天气怎么样AgentThought: 用户需要查询天气我需要调用天气工具。 Action: get_weather(北京) Observation: 北京今天晴25℃。然后 Agent 根据 Observation 决定下一步行动。通过这种方式大语言模型的推理能力和外部工具能力结合起来形成完整的任务执行闭环。我的理解学习这一部分之后我认为 Agent 和普通大模型最大的区别就在于大模型负责思考Agent 负责行动。单纯调用 GPT API用户输入 ↓ 模型回答而 Agent用户目标 ↓ 分析任务 ↓ 选择工具 ↓ 执行操作 ↓ 获取反馈 ↓ 继续优化这也是为什么现在很多 AI 应用开发岗位不仅要求会调用大模型还要求掌握Tool CallingRAGMemoryMCPAgent Workflow因为真正的 AI 应用需要让模型具备解决实际问题的能力。
初识智能体（二）——智能体的构成与运行原理
在上一篇文章中了解了什么是智能体Agent以及从传统智能体到 LLM Agent 的发展过程。简单来说Agent 的核心目标就是感知环境根据目标进行决策并采取行动完成任务。那么一个智能体具体是如何工作的它内部由哪些部分组成这篇文章将继续学习 Agent 的任务环境、运行流程以及感知与行动机制。一、智能体的任务环境PEAS 模型要理解智能体如何运行首先需要了解它所处的环境。人工智能领域通常使用PEAS 模型来描述一个智能体的任务环境。PEAS 分别代表Performance性能指标Environment环境Actuators执行器Sensors传感器例如一个智能旅行助手组成说明性能指标是否满足用户需求例如行程合理性、价格、体验环境天气、航班、酒店、景点等外部信息执行器调用查询接口、生成方案、预订服务传感器用户输入、API返回数据通过 PEAS 模型可以帮助开发者明确智能体需要完成什么目标以及需要通过什么方式与环境交互。二、智能体面对的环境特点在实际应用中LLM Agent 所面对的环境通常具有以下特点。1. 部分可观察性智能体无法获取环境的全部信息。例如旅行助手查询航班时它可能只能通过 API 获取部分航班数据而无法直接知道所有航空公司的实时情况。因此 Agent 需要结合当前获取的信息历史记录用户反馈不断完善对环境的理解。这也是为什么 Agent 需要Memory记忆机制。2. 不确定性现实环境通常不是完全固定的。例如用户查询机票价格第一次查询价格800元 余票5张过一段时间价格950元 余票2张环境已经发生变化。因此 Agent 需要具备处理变化的能力而不能简单按照固定规则执行。3. 多智能体环境很多场景中环境里并不只有一个 Agent。例如旅游助手其他用户购买机票航空公司的自动调价系统其他自动化程序都会影响当前环境。这些外部行为都会改变 Agent 的决策结果。4. 序贯与动态环境智能体面对的任务通常不是一次完成的。当前行动可能影响未来结果。例如用户要求帮我制定一个旅游计划Agent 可能需要查询天气 ↓ 选择景点 ↓ 规划路线 ↓ 调整酒店前一步的结果会影响后续决策。因此现代 Agent 通常采用循环式工作方式而不是一次性输出答案。三、智能体的运行机制Agent Loop智能体并不是接收到问题后直接生成答案而是通过一个不断循环的过程完成任务。这个过程通常被称为Agent Loop智能体循环核心流程感知 Perception ↓ 思考 Thought ↓ 行动 Action ↓ 观察 Observation ↓ 再次思考1. 感知Perception这是 Agent 获取信息的阶段。信息来源包括用户输入数据库API 返回结果工具执行结果。这些信息会成为 Agent 当前的观察Observation。2. 思考Thought这是 Agent 的核心决策阶段。对于 LLM Agent 来说这一步主要由大语言模型完成。通常包括两个过程1任务规划 PlanningAgent 会分析当前目标并拆分任务。例如用户帮我安排一次旅游Agent 可能拆分确认时间 ↓ 查询天气 ↓ 规划路线 ↓ 推荐酒店2工具选择 Tool Selection如果仅依靠语言模型无法完成任务Agent 会选择调用外部工具。例如查询天气调用天气API查询订单调用订单查询接口这就是 Agent 和普通聊天机器人的重要区别。3. 行动Action完成决策后Agent 会执行具体操作。例如调用get_weather(北京)然后工具返回天气数据。Agent 通过调用外部工具让语言模型具备影响现实环境的能力。4. 观察Observation工具执行完成后会产生新的结果。例如工具返回{ city:北京, weather:晴, temperature:25 }Agent 会将这些数据转换成容易理解的信息北京当前天气晴气温25℃。然后进入下一轮循环。四、Thought-Action-Observation 循环现代 LLM Agent 中一个非常经典的运行模式就是Thought → Action → Observation例如用户北京天气怎么样AgentThought: 用户需要查询天气我需要调用天气工具。 Action: get_weather(北京) Observation: 北京今天晴25℃。然后 Agent 根据 Observation 决定下一步行动。通过这种方式大语言模型的推理能力和外部工具能力结合起来形成完整的任务执行闭环。我的理解学习这一部分之后我认为 Agent 和普通大模型最大的区别就在于大模型负责思考Agent 负责行动。单纯调用 GPT API用户输入 ↓ 模型回答而 Agent用户目标 ↓ 分析任务 ↓ 选择工具 ↓ 执行操作 ↓ 获取反馈 ↓ 继续优化这也是为什么现在很多 AI 应用开发岗位不仅要求会调用大模型还要求掌握Tool CallingRAGMemoryMCPAgent Workflow因为真正的 AI 应用需要让模型具备解决实际问题的能力。
