能够回答问题的 LLM 并不一定是 Agent。

Agent 可以理解目标、观察当前状态、选择下一步动作、调用 Tool、检查结果，然后重复这个过程直到任务完成。

一个简单的模型是：

Goal → Observe → Decide → Act → Evaluate → Repeat

什么是 AI Agent？

AI Agent 是一个通过多次决策和行动来完成目标的系统。

例如用户要求：

分析 Acme 客户的当前状态。

Agent 可以搜索 CRM、读取 Account、查看 Opportunity、分析 Support Ticket，然后生成总结。

Chatbot 通常主要生成回答，而 Agent 可以执行完整 Workflow。

Agent Loop

Agent Loop 是 Agent 的核心执行循环。

Observe
↓
Decide
↓
Act
↓
Inspect Result
↓
Repeat

Agent 必须有明确的 Stop Condition。

例如：目标完成、缺少必要信息、需要用户澄清、需要人工审批、达到最大步骤数或者 Tool 多次失败。

Planning

Planning 是把一个大目标拆分成多个小步骤。

例如：

生成上一季度的销售报告

可以拆分为：

1. 获取销售数据
2. 删除取消订单
3. 计算 Revenue
4. 找出 Top Customers
5. 与上一季度比较
6. 生成 Summary

这称为 Task Decomposition。

Reasoning

Reasoning 是根据当前数据和约束选择下一步动作。

一个 Agent 可能选择：

ACT

ASK

ABSTAIN

ESCALATE

在生产系统中，更适合记录结构化决策，而不是依赖不可控的长文本推理。

Tool Calling

Tool 将 Agent 与真实系统连接起来。

例如：

get_customer(customerId)
get_opportunities(accountId)
create_task(data)
send_email(data)

LLM 可以选择 Tool，但实际执行、Validation 和 Permission 应该由 Backend 控制。

Multi-step Tasks

Agent 最重要的能力之一是处理多步骤任务。

例如找出 Churn Risk 最高的三个客户并为 Account Manager 创建 Follow-up Task，可能需要获取 Usage、Support、Payment 数据，计算 Risk，进行 Ranking，然后创建 Task。

为了完成这个流程，Agent 需要维护 State。

Memory

Memory 是系统保存并在以后重新检索的信息。

它不同于 Context Window。

主要类型可以包括：

• Working Memory
• Conversation Memory
• Long-term Memory
• Episodic Memory
• Semantic Memory

Memory 应该具有选择性。保存所有信息会带来成本、隐私和过期数据问题。

ReAct

ReAct 是一种典型的 Agent 模式，通过不断交替进行决策和行动：

Observe → Decide → Act → Observe

Agent 根据 Tool Result 再决定下一步。

Reflection 与 Verification

Agent 可以在执行后重新检查结果是否满足目标。

但是 Permission、金额限制、安全规则等确定性要求更适合通过 Code 验证。

Human in the Loop

高风险操作通常不应该完全自动执行。

一个常见流程是：

Agent proposes → Human approves → Backend executes

Agent Architecture

User
↓
Agent Controller
↓
LLM
↓
Decision
↓
Tool Router
↓
APIs / Database
↓
Result

Agent Controller 通常负责 State、Step Limit、Permission、Retry、Timeout、Logging、Cost Limit 和 Human Approval。

Agentic CRM 示例

如果 Agent 需要找出 Churn Risk 较高的客户，它可以获取 Accounts、Usage、Support Tickets 和 Payment History，然后计算 Risk、排序客户并为 Account Manager 创建 Follow-up Task。

如果缺少 Account Manager，Agent 不应该自行编造，而应该 ASK 或 ESCALATE。

安全

Agent 与真实系统连接，因此 Prompt Injection、Tool Abuse、Unauthorized Actions 和 Data Leakage 风险更高。

网站、邮件、文件或者 Tool 返回的内容不能自动被视为系统可信指令。

Authentication、Authorization 和关键安全规则必须在 LLM 之外执行。

总结

AI Agent 会通过多次决策和行动完成目标。

Agent Loop 是 Observe、Decide、Act 和 Evaluate 的循环。

Planning 把大目标拆成小步骤。

Tool Calling 让 Agent 与真实软件和数据交互。

Memory 让系统能够在需要时重新使用过去的信息。

真正可靠的 Agent 还需要 State Management、Validation、Permission、Error Handling、Stop Conditions、Logging，以及必要时的 Human Approval。

掌握这些基础之后，可以继续学习 ReAct、Planner-Executor、Reflection、Verification 和 Orchestration 等 Agent Architecture。