智能体 / 代理（Agent） Agent

以 LLM 为大脑，具备目标分解、工具调用与状态记忆的自治式系统形态。

分类：model 类型：concept 别名：智能体

Agent 借助规划、记忆、工具与环境反馈循环执行复杂任务，可用于自动化工作流、数据分析与多步决策。

架构要素

• 目标规划（Planning）：通过思维链、任务分解或搜索策略生成可执行计划。
• 记忆与状态管理：短期记忆用于维持对话上下文，长期记忆通过向量数据库或知识库保存经验。
• 工具与行动执行：调用 API、代码运行、检索系统等外部工具完成信息获取与操作。
• 反馈评估：人类或模型对中间结果进行审查，根据环境反馈自我纠偏。

常见模式

• ReAct：将推理（Reasoning）与行动（Acting）交替执行，适合开放式问答与任务执行。
• 计划-执行-反思（Plan-Execute-Reflect）：先生成计划，再逐步执行并在失败时回溯调整。
• 多 Agent 协作：多个角色分工协作，通过调度器协调完成复杂项目，例如软件开发或商业分析。

应用场景

• 自动化运营（如报告生成、市场分析）
• 数据与代码助理（分析日志、运行脚本、调试程序）
• 智能客服与业务流程机器人（结合 RPA 与 LLM）

挑战

• 可靠性与可解释性：推理链条长时容易偏离目标，需要监控与人为兜底。
• 工具治理：需要权限控制、数据隔离与安全审计防止滥用。
• 评估体系缺乏：缺少统一的任务评测基准，往往依赖人工验收或业务指标。

参考资料

• Yao et al. “ReAct: Synergizing Reasoning and Acting in Language Models.” (2022).（提出在语言模型中结合推理与行动的框架）
• Shinn et al. “Reflexion: Language Agents with Verbal Reinforcement Learning.” (2023).（引入自我反思与奖励信号强化 Agent 能力）
• Microsoft. “AutoGen: Enabling Next-Gen LLM Applications.” (2023).（介绍多 Agent 协作框架与工程实践）

打开 GitHub 界面，修改后直接生成 PR