aiAgent

Agent基础

# 01-什么是AI Agent（智能体）

Agent的核心思想是使用预压模型来选择要采取的一系列操作。在Agent中，语言模型被用作推理引擎来确认要采用哪些操作以及按照什么顺序。相对比传统机械或软件被动的给予输入->做出输出的模式，Agent由于更加强调自主的发现问题、确定目标、构想方案、选择方案、执行方案、检查更新的特性，因此可以被认为是一类拥有自主智能的实体,而被广泛称为智能体。

非智能体、智能体以及人类创作者的工作流呈现显著差异：

主体类型	执行特征	流程剖析
Non-Agent（非智能体）	线性单次输出	用户输入提示词→大模型直接生成终稿（无迭代过程）
AI Agent（智能体	多阶段认知闭环	规划大纲→检索资料→生成初稿→自检修订→循环优化→输出终稿（模拟人类创作思维）
人类创作者	认知驱动型工作流	构思框架→信息搜集→内容填充→交叉审核→反复润色（与智能体流程高度同构）

AI Agent的核心是通过任务解构-执行-反思的认知闭环，实现对人类工作范式的数字孪生

AI行业大牛吴恩达认为：AI Agent的终极演变方向是构建具备完整认知能力的数字主题。技术架构可以分为四个核心

反思：AI Agent 模拟人类自我修正行为，如:学生完成作业后的自我检查过程。突破单次推理局限，建立错误检测-反馈-修正的增强回路
工具调用： AI Agent判断自身边界能力，选择合适的AI 工具来提供大模型的能力边界
规划：AI Agent在解决复杂问题时，为达到目标制定合理的行为计划能力，从而对任务进行分解。
多智能体协同：多个AI Agent的组合应用，

# 02-AI Agent的主流设计模式有哪些

当前主流的AI Agent都是基于LLM大模型 + 一整套AIGC算法解决方案(Prompts工程、Function Call、MCP、AI工程策略、AI功能服务等)构建而成，同事蔚来还会持续扩展其内涵。

基于上面额框架，接着再形成了5种主流的AI Agent设计模式:

反射模式：这个模式的核心运作机制是构建自检-纠错迭代环，AI Agent会审查其工作及发现错误并迭代，直到生成最终输出结果。
工具使用模式：AI Agent允许LLM大模型通过使用外部工具获得更多信息，包括调用API，使用AI服务，查询矢量数据库、执行Python脚本等。这使得LLM大模型不仅仅依赖于其内部知识，还可以获得互联网世界的庞大实时数据流来扩展知识边界。
ReAct模式: ReAct模式结合了反射模式与工具使用模式，这使其成为当前AI Agent使用的最强大的模式之一。 AI Agent既可以自我思考，自我纠错，还可以使用工具与世界交互。
规划模式：在这种模式下，AI Agent根据任务的复杂程度,设计任务计划流程，对任务进行细分，再对细分子任务动用ReAct模式进行处理
多智能体模式：在这个模式下，AI Agent系统中包括多个子Agent，每个子Agent都分配有一个专用的角色和任务，同时每个子Agent还可以访问外部工具进行综合工作。最后，所有子Agent协同工作以提供最终结果，同时根据需要将细分任务委派给其他子Agent，形成一个复杂的”AI Agent协同社区“。

# 03-什么是AI Agent中的function call？

在AI Agent中，Function Call(函数调用)本质上是智能体通过LLM大模型调用外部能力(API、AI服务、AI工具、数据库、搜索引擎等)并进行整合处理的闭环处理。

买一个红色毛衣流程：需求解析-> 工具决策->结果整合

Function Call 与传统API调用的本质区别

维度	传统API调用	Agent Function Call
输入格式	结构化参数	自然语言指令
调用方	开发者硬编码触发	Agent自主决策触发
错误处理	显示异常捕获	反射机制自动重试、替换工具
协议依赖	固定通信协议(REST、gRPC)	支持MCP等自适应协议

# 04-什么是AI Agent中的MCP

MCP全称：Model Context Protocal，构建了AI大模型与外部应用程序间的上下文交互规范，这使得AI开发者能够以一致的规范将各种实时数据源、AI工具与外接功能连接到AIGC大模型中。

MCP由三个核心组件构成：Host、Client和Server、

Host:AI Agent作为Host，负责接受我们的提问与其中的AIGC大模型交互。Client：当AIGC大模型需要确定毛衣购买方案时，Host内置的MCP Client会被激活。这个Client负责与适当的MCP Server建立连接。Server：在这个例子中，毛衣购买方案MCP Server会被调用。它负责执行实际的毛衣购买方案确定操作，访问对应的电商API，并返回找到的毛衣购买方案。

整个流程：我们的问题->AI Agent(Client) ->AIGC模型 -> 需要购买的毛衣信息 -> MCP Client 连接 -> 毛衣购买MCP Server -> 执行操作 -> 返回结果 -> AIGC大模型生成回答 -> 显示在AI Agent上

# 05-AI Agent中function call 和MCP中的区别是什么？

在AI Agent领域，MCP可以说是function call的更进一步延伸和封装

function call解决了AIGC大模型与外部应用工具交互的问题，而MCP在此基础上对交互的整个流程进行规范化，从而解决海量数据、AIGC大模型、AI应用工具之间的“孤岛问题”

# 06-AI Agent中的Agent2Agent(A2A)

Agent2Agent(A2A)协议是驱动多智能体生态系统的核心通信框架，其本质是AI Agent之间的标准化协议，也是Agent之间的"社会契约"

在没有A2A协议之前，不同的Agent A (ds) 与Agent B(GPT-4o) 输出格式各异，无法进行协同合作，形成了很多的AI Agent孤岛

因此通过A2A协议，为异构AI Agent之间的互通与交互提供通用的语言：

# 07-AI Agent中的A2A和MCP的区别是什么？

MCP协议解决的是AI Agent和各种外部工具/资源之间的交互问题，可以看做是一个AI应用商店协议，主要关注单个AI Agent如何更好的使用外部工具。

而A2A协议解决的是AI Agent 和AI Agent之间的交互问题，主要关注不同的AI Agent之间怎么协作的问题总的来说，他们是互补的，共同构建AI Agent的生态

# 08-AI Agent系统提示词有哪些作用

系统提示词(sys prompt)是 AI Agent的核心控制中枢

作用一：角色定义与人格建模

# 法律顾问Agent示例
"""
身份：环球律所高级合伙人（执业15年）
专长领域：跨境并购、知识产权诉讼
语言风格：严谨专业，引用法条需标注出处
"""

作用二: 能力边界锁定

# 工具调用白名单
"""
可用工具：
  - contract_review：合同审查（输入PDF→输出风险报告）
  - clause_search：条款库检索（关键词→相似判例）
禁用行为：
  - 生成法律效力承诺
  - 解释未生效草案
"""

作用三：认识框架植入

任务类型	预设思维链
合同审查	主体校验→权责分析→违约条款评估
法律咨询	事实提取→法条匹配→解决方案生成

作用四：动态上下文管理

"""
记忆规则：
  - 保留核心实体（公司名/金额/时间节点）
  - 丢弃情绪化表述（用户抱怨等）
  - 持久化关键日期（合同截止日）
"""

# 09-System Prompt 在AI Agent如何生效

在AI Agent中，定义了三种核心消息类型：System Prompt、Assistant Prompt和User Prompt,三折功能明确区分：

User Prompt: 代表用户的值机输入问题
Assistant Prompt: 代表大模型生成的回复问题
System Prompt: 用于设定大模型的角色、基础指令等核心配置

那么， System Prompt是如何在AI Agent中生效

在AIAgent中，System Prompt主要是起到静默作用，通常被置于用户输入之前，与Assistant Prompt和User Prompt组合输入到大模型中

System Prompt与User Prompt的关键区别在于其位置与优先级: System Prompt 固定设置在输入文本序列的开端。

一个完整的多轮对话提示词通常按以下模式拼接：

System Prompt -> User Prompt -> Assistant Prompt -> User Prompt... -> Assistant Prompt

在此结构中，Assisant Prompt的主要作用是向大模型展示历史对话记录，并明确标注哪些内容源于用户的输入。通过这种结构模式数据预训练和微调的大模型能够理解：这些并非即时用户输入，而是对话历史。这有利于大模型更好把握上下文信息，从而更准确回应后续问题。

将核心角色定义和规则置于System Prompt中
用户交互内容放在User Prompt里

[
      {
        role: 'system',
        content: this.cachePrompt,
      },
      {
        role: 'user',
        content: query,
      },
];

# 10-AI Search和普通Search有什么区别

本质区别在于是否具备语义理解、动态决策和主动推动能力

维度	传统搜索	AI Search
技术基础	关键词匹配 + 倒排索引	LLM + 知识图谱 + 强化学习
交互方式	用户输入明确关键词->返回匹配结果	自然语言提问 -> 理解意图 -> 动态推理答案
输出形式	链接列表(需用户二次筛选)	结构化答案 + 多模态结果 + 溯源依据
目的	快速检索已有的信息	解决问题(甚至执行动作)