Agent 核心组件

一句话定义：Agent 由 LLM（大脑）、Tools（手脚）、Memory（记忆）、Loop（循环）四大组件构成，外加 Controller 协调。

1. 组件全景

flowchart TD
    G[目标输入] --> C[Controller 控制器]
    C --> L[LLM 大脑: 推理/决策]
    L --> T[Tools 工具: 执行行动]
    T --> E[环境: 文件/API/DB/终端]
    E --> O[Observation 观察]
    O --> M[Memory 记忆]
    M --> L
    L --> D{达成目标?}
    D -- 否 --> L
    D -- 是 --> R[交付结果]

2. LLM（大脑）

职责：推理、规划、决策、生成自然语言输出。

要点：

是 Agent 的"认知核心"，决定上限。
选择考量：推理能力、工具调用支持、上下文长度、成本、许可。
主流：GPT-4o、Claude 3.5/4、Gemini、Qwen、Llama、DeepSeek。
弱模型也能做 Agent，但需更强工具与护栏补偿。

LLM 关键能力维度：

能力维度	说明	Agent 中的重要性
推理 (Reasoning)	逻辑推演、多步规划、因果分析、反思纠错	⭐⭐⭐⭐⭐ 核心，决定任务拆解与决策质量
工具调用 (Tool Use / Function Calling)	结构化输出函数调用，连接外部 API	⭐⭐⭐⭐⭐ Agent 的"动手"基础
指令遵循 (Instruction Following)	准确理解复杂、多层指令并执行	⭐⭐⭐⭐ 决定复杂任务可靠性
长上下文 (Long Context)	处理长文档、多轮对话历史不丢失信息	⭐⭐⭐⭐ 减少记忆压缩损耗
代码生成 (Code Generation)	生成、调试、解释代码	⭐⭐⭐ 数据分析/自动化类 Agent 必备
结构化输出 (Structured Output)	JSON Mode 等，严格遵守输出 Schema	⭐⭐⭐ 便于程序化解析与流水线串联
多模态 (Multimodal)	图文理解、视觉推理、音视频处理	⭐⭐⭐ 扩展感知维度（看图、读截图等）
多语言 (Multilingual)	跨语言理解与生成	⭐⭐ 国际化场景需要

当前主流模型能力配置（2026 Q2）：

模型	上下文窗口	核心能力亮点	推荐 Agent 场景
Claude 4 (Sonnet/Opus)	200K / 256K	最强 Tool Use、推理精准、指令遵循极好	复杂 Agent、代码 Agent、长任务
GPT-4o / GPT-4.1	128K / 1M	原生多模态、快速推理、生态成熟	多模态 Agent、通用 Agent
GPT-5	128K+	最强综合推理与多模态、Agent 原生能力	高复杂度、对可靠性要求极高的 Agent
Gemini 2.5 Pro	1M	超长上下文、原生视频/音频多模态、推理强	长文档分析、音视频理解 Agent
o1 / o3 (推理模型)	200K	深度慢思考、复杂数学/逻辑/编程推理	需深度推理的分析型任务
Qwen3-235B (开源)	128K	推理+多模态+工具调用一体化，开源标杆	私有化部署、定制化 Agent
Llama 4 / DeepSeek-V3	128K / 128K	开源高性能、成本可控	大规模部署、成本敏感场景
DeepSeek-R1	128K	开源推理模型，链式思考 + 极低成本	私有化推理任务、预算有限的复杂分析

选型建议：一般 Agent 推荐 Claude 系列（Tool Use 最强）；多模态需求优先 GPT-5 或 Gemini 2.5；私有化部署选 Qwen3 或 Llama 4；深度推理任务用 o系列或 DeepSeek-R1。

3. Tools（手脚）

职责：扩展 LLM 的能力边界，让它能"动手"。

常见类型：

信息获取：搜索、RAG 检索、数据库查询、网页抓取。
计算/执行：代码解释器、Shell、计算器。
操作外部：发邮件、改文件、调 API、订票。
感知：读文件、看截图、听音频。

设计要点：

每个工具有清晰名称、描述、参数 schema。
危险操作需审批或白名单。
工具返回需裁剪，避免上下文膨胀。
详见 03 模块。

4. Memory（记忆）

职责：让 Agent 跨步骤、跨会话保持信息。

分层：

短期记忆：本次会话的上下文与中间结果，常放对话历史。
长期记忆：跨会话复用，常用向量库/知识图谱/数据库。
工作记忆：当前任务的 scratchpad（草稿本）。

管理挑战：

上下文窗口有限，需摘要/压缩。
记忆可能过期或错误，需纠错机制。
详见 04 模块。

5. Loop（循环）

职责：让 Agent 在"思考→行动→观察"中迭代直至达成目标。

核心模式：

ReAct 循环：Thought → Action → Observation 重复。
状态机/图：用 LangGraph 把流程显式建模为状态图。
回溯：失败时退回分叉点换策略。

工程要点：

必设终止条件（步数/预算/目标达成）。
插入反思节点防盲目重试。
详见 02 模块与 Loop Engineering。

6. Controller（控制器）

职责：协调四大组件，管理循环流程。

功能：

循环控制：何时进入下一步、何时终止。
异常处理：工具失败、超时、上下文溢出的降级。
人在环上：关键节点触发人工审批。
权限与护栏：拦截危险操作。
可观测：记录每步日志。

实现：可以是框架（LangGraph 的图）、自研编排代码、或模型自身的循环能力。

7. 组件协作示例

任务："查我上周订单并退款最贵的一单"

Controller 启动循环，把目标交给 LLM。
LLM 规划：①查订单 ②排序找最贵 ③发起退款 ④通知。
LLM 调 Tool getOrders(userId, lastWeek)。
Tool 返回订单列表 → 写入 Memory（短期）。
LLM 找到最贵订单 #99，调 createRefund(#99)。
Controller 检测退款为危险操作 → 触发人工审批。
人批准 → Tool 执行 → 返回退款单号。
LLM 调 sendNotification → 完成。
Controller 判定目标达成，交付结果。

8. 学习要点

四大组件缺一不可：无工具则不能动手，无记忆则易失忆，无循环则只能单步。
Controller 是"胶水"，工程化程度决定可靠性。
组件解耦设计：便于独立优化与替换（如换模型不影响工具）。
理解每个组件的失败模式，才能对症下药。

9. 参考资料

"Cognitive Architectures for Language Agents"（CoALA）
LangGraph 关于 State/Nodes/Edges 的文档
"The Rise and Potential of Large Language Model Based Agents"

02-Agent核心组件