AI Agent 核心概念：从 Prompt 到自主决策
ChatGPT 刚出来的时候，大家觉得写好 Prompt 就够了。但真正做项目的时候发现，单轮对话根本解决不了复杂任务。你需要一个能自主规划、调用工具、记住上下文、持续迭代的系统——这就是 Agent。
这篇文章不讲概念堆砌，直接从工程角度拆解 Agent 的核心机制。
Agent 不是"更聪明的 ChatBot"
传统 ChatBot 的工作模式：
用户输入 → 模型处理 → 返回结果（结束）Agent 的工作模式：
用户输入 → 观察环境 → 制定计划 → 执行动作 → 观察结果 → 调整计划 → 继续执行 → ...关键区别在于：Agent 有循环。它不只是回答问题，而是持续地观察、思考、行动，直到任务完成。
Agent Loop：四步循环
Agent 的核心是一个循环，包含四个步骤：
1. 观察（Observe）
Agent 从环境中获取信息。可能是用户输入、工具返回的结果、或者之前的记忆。
python
# 伪代码
observation = {
"user_query": "帮我查一下北京今天的天气",
"available_tools": ["get_weather", "search_web", "send_email"],
"memory": ["用户之前问过上海天气"]
}2. 规划（Plan）
基于观察到的信息，Agent 决定下一步做什么。这一步是最体现"智能"的地方。
思考过程：
1. 用户想知道北京天气
2. 我有 get_weather 工具可以用
3. 需要先调用 get_weather 获取数据
4. 然后用自然语言总结结果3. 执行（Act）
Agent 执行规划好的动作，通常是调用某个工具。
python
result = call_tool("get_weather", {"location": "北京"})
# 返回: {"temperature": 28, "condition": "晴", "humidity": 45}4. 反思（Reflect）
Agent 评估执行结果，决定是否需要继续循环。
反思：
- 天气数据已获取
- 信息完整，可以回答用户
- 循环结束如果信息不够（比如用户问的是"北京和上海哪个更热"），Agent 会继续循环，再调用一次工具获取上海的天气。
Memory：Agent 的"记忆系统"
Agent 需要记住东西。没有记忆的 Agent 每次对话都是从零开始，这在实际项目中是不可接受的。
短期记忆（Working Memory）
就是当前对话的上下文。Agent 需要记住刚才做了什么、用户说了什么、工具返回了什么。
问题：上下文窗口有限，对话太长会溢出。
解决方案：
- 滑动窗口：只保留最近 N 轮
- 摘要压缩：把历史对话压缩成摘要
- 关键信息提取：只保留与任务相关的信息
长期记忆（Long-term Memory）
跨对话的记忆。比如用户上次问过什么、偏好什么、有什么习惯。
实现方式：
- 向量数据库：把对话历史向量化存储，按语义检索
- 结构化存储：用关系数据库存储用户偏好、任务状态
- 文件系统：把重要信息写入文件（比如 CLAUDE.md）
记忆的生命周期
创建 → 使用 → 衰减 → 归档/删除不是所有记忆都值得保留。Agent 需要判断哪些信息重要、哪些可以遗忘。
Context Engineering：比 Prompt Engineering 更重要
Prompt Engineering 是"怎么写提示词"，Context Engineering 是"怎么管理整个上下文"。
为什么 Context Engineering 更重要
一个好的 Prompt 如果放在错误的上下文里，效果会很差。比如：
上下文：用户之前说"我要写一首诗"
当前问题："帮我写个排序算法"模型可能会困惑：到底要写诗还是写代码？
Context Engineering 的核心原则
1. 相关性原则
只放与当前任务相关的信息。多了会稀释关键信息，少了会缺少必要上下文。
python
# 不好的做法：把所有历史对话都塞进去
context = all_history + current_query
# 好的做法：只放相关的历史
context = relevant_history + current_query2. 层次化原则
信息按重要性分层：
系统提示词（最高优先级）
→ 当前任务描述
→ 相关工具说明
→ 历史对话摘要
→ 原始历史对话（最低优先级）3. 动态调整原则
根据任务进展动态调整上下文。任务早期可能需要更多背景信息，任务后期只需要关键状态。
工具调用：Agent 的"手脚"
Agent 光会想不行，还得能做事。工具调用让 Agent 可以与外部世界交互。
工具注册
python
tools = [
{
"name": "get_weather",
"description": "获取指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"location": {"type": "string", "description": "城市名称"}
},
"required": ["location"]
}
},
{
"name": "search_web",
"description": "搜索网页信息",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "搜索关键词"}
},
"required": ["query"]
}
}
]工具调用流程
Agent 决定调用 get_weather("北京")
→ 系统执行工具调用
→ 返回结果给 Agent
→ Agent 继续思考下一步工具调用的安全问题
工具调用是 Agent 最危险的地方。Agent 可能会：
- 调用不该调用的工具
- 传入错误的参数
- 重复调用导致资源浪费
防御措施：
- 工具白名单：只允许调用预定义的工具
- 参数校验：严格校验工具参数
- 权限控制：不同 Agent 有不同的工具权限
- 调用限制：限制调用频率和次数
实际案例：一个简单的 Agent
python
class SimpleAgent:
def __init__(self, tools, model):
self.tools = tools
self.model = model
self.memory = []
def run(self, user_query):
# 构建上下文
context = self.build_context(user_query)
# Agent Loop
for _ in range(10): # 最多循环10次
# 调用模型
response = self.model.chat(context)
# 检查是否需要调用工具
if response.has_tool_call():
tool_call = response.get_tool_call()
result = self.execute_tool(tool_call)
# 把结果加入上下文
context.add_tool_result(result)
self.memory.append({
"tool": tool_call.name,
"result": result
})
else:
# 没有工具调用，返回最终答案
return response.content
return "任务超时，未能完成"常见问题
Agent 跑飞了怎么办
Agent 可能会陷入死循环，或者一直在做无意义的事情。
解决方案：
- 设置最大循环次数
- 监控 Agent 的行为模式
- 加入超时机制
- 使用更小的模型做"监督者"
Agent 成本太高怎么办
每次循环都要调用模型，Token 消耗很快。
解决方案：
- 用更小的模型处理简单任务
- 缓存工具调用结果
- 优化上下文大小，减少 Token 消耗
- 设置成本预算
Agent 不可靠怎么办
Agent 的输出不确定，同样的输入可能得到不同的结果。
解决方案：
- 关键步骤加入人工确认
- 设置输出校验
- 使用确定性更高的参数（低 Temperature）
- 建立回滚机制
小结
- Agent 的核心是循环：观察 → 规划 → 执行 → 反思
- Memory 系统让 Agent 能记住东西，分短期和长期记忆
- Context Engineering 比 Prompt Engineering 更重要
- 工具调用是 Agent 的手脚，但需要严格的安全控制