Press "Enter" to skip to content

Agent 的概念、原理与构建模式

Published 2025年9月14日 by admin

这是一篇关于 AI Agent 的学习笔记，内容总结自一个从零打造简化版 Claude Code 的视频教程。本文将整理和归纳教程中的核心概念，包括 Agent 是什么、最主流的 ReAct 构建模式，以及一种更高级的 Plan-and-Execute 模式。

一、 什么是 AI Agent？

1. 从大模型 (LLM) 的局限性说起

我们熟悉的大语言模型（如 GPT-4o）虽然逻辑和回答能力很强，但它们存在一个核心限制：无法感知或改变外部世界。

  • 无法改变环境：模型可以生成代码，但无法将代码自动写入文件或执行它。这个过程需要用户手动操作。
  • 无法感知环境：如果我们想让模型基于现有代码进行修改，必须手动将代码复制给模型。模型无法主动读取本地文件。

2. Agent：连接大模型与现实世界的桥梁

为了解决这个问题，我们可以为大模型配备 “工具 (Tools)”。这些工具就像是模型的“感官”和“四肢”，它们可以是：

  • 读写文件的函数
  • 运行终端命令的函数
  • 网络搜索的 API

Agent 就是将一个大模型（大脑）和一系列工具（感官与四肢）组装起来，形成的一个能够感知和改变外部环境的智能程序。 它能够独立、自动化地完成任务，就像一个真正的机器人。

3. Agent 实例

  • Cursor：一个强大的编程 Agent，可以根据用户需求自动编写和修改代码。
  • Manus：一个研究型 Agent，可以根据用户问题（如比较手机性能）自动规划任务、搜索网页、整理信息并生成报告。

二、 Agent 的核心运行模式：ReAct

ReAct 是目前应用最广泛的一种 Agent 运行模式，它的名字是 Reasoning and Acting（思考与行动） 的缩写。

1. ReAct 的核心流程

ReAct 的运行流程是一个循环，直到任务完成。其核心步骤如下：

  1. Thought (思考)：Agent 首先分析任务，思考下一步需要做什么。
  2. Action (行动)：根据思考结果，决定调用哪个工具，并传入相应参数。
  3. Observation (观察)：执行工具后，将返回的结果（如文件写入成功、API 返回的数据等）作为观察内容。
  4. 重复循环：Agent 基于新的观察结果，继续进行下一轮的“思考 -> 行动 -> 观察”循环。
  5. Final Answer (最终答案)：当 Agent 判断任务已完成，不再需要调用工具时，便会输出最终答案，流程结束。

215d9df9-5867-4b10-80ac-c3b066482ef8

2. 实现 ReAct 的奥秘：系统提示词 (System Prompt)

Agent 的这种精密行为模式并非来自模型训练，而是通过一个精心设计的 系统提示词 来引导的。这个提示词相当于给模型下达的“剧本”或“操作手册”。

一个典型的 ReAct 系统提示词通常包含以下几个部分：

  • 职责描述：明确告知模型需要遵循“思考 -> 行动 -> 观察”的 ReAct 流程来解决问题。
  • 示例 (Examples)：提供一两个完整的 ReAct 对话示例，让模型学习返回格式。
  • 可用工具 (Tools)：列出所有可供模型调用的工具及其功能描述。
  • 注意事项：规定一些必须遵守的规则。
  • 环境信息：提供当前环境的上下文信息，如操作系统、当前目录、文件列表等。

3. 从零构建一个 ReAct Agent (代码实现思路)

教程中演示了一个简化版的代码 Agent，其核心实现逻辑如下：

  1. 主程序 (agent.py)：

    • 定义可用的工具函数（如 read_file, write_to_file, run_command）。
    • 实例化核心的 ReActAgent 类，传入工具列表、模型（如 GPT-4o）和项目目录。
    • 接收用户任务，并调用 agent.run() 方法启动 Agent。

  2. ReActAgent 类的核心逻辑：

    • run(task) 方法：这是 Agent 的主循环。
      • 初始化消息列表：将渲染好的“系统提示词”和用户的“任务”作为初始消息。
      • 进入 while 循环：
        1. 调用模型：将当前消息列表发送给大模型，获取响应。
        2. 解析响应：从模型返回的文本中提取出 thought 和 action (或 final_answer)。
        3. 判断与执行：
          • 如果响应包含 final_answer，则说明任务完成，跳出循环并返回结果。
          • 如果响应包含 action，则解析出工具名称和参数。
        4. 调用工具：执行对应的工具函数，并获取返回结果 (observation)。
        5. 更新消息列表：将 observation 追加到消息列表中，以便模型在下一轮循环中知道上一步工具的执行结果。

这个流程清晰地展示了 Agent 主程序、大模型、工具三者之间是如何协同工作的。主程序负责调度，模型负责思考和决策，工具负责与外部世界交互。

三、 更高级的构建模式：Plan-and-Execute

除了 ReAct，还存在其他构建模式，其中“先规划，再执行”是另一种常见思路。LangChain 提出的 Plan-and-Execute 模式是其中的一个典型实现。

1. Plan-and-Execute 的核心组件

这种模式将 Agent 的功能进一步拆分，包含以下几个关键角色：

  • Agent 主程序：负责串联整个流程的总调度器。
  • Plan 模型：一个专门负责接收用户任务并生成详细执行计划 (Plan) 的大模型。
  • Execution Agent (执行 Agent)：一个负责执行计划中单个步骤的 Agent。这个 Agent 本身可以是一个 ReAct Agent。
  • Re-Plan 模型：在每一步执行后，根据最新的执行结果动态调整和优化后续计划的模型。

2. Plan-and-Execute 的运行流程

以“查询今年澳网男子冠军的家乡是哪里？”为例：

  1. 规划 (Plan)：用户提交任务后，Agent 主程序将其发送给 Plan 模型。Plan 模型生成一个初步计划：

    • 步骤 1：查询当前日期，确定年份。
    • 步骤 2：根据年份，搜索澳网男子冠军的名字。
    • 步骤 3：根据冠军的名字，搜索他的家乡。

  2. 执行 (Execute)：主程序将计划的第一步（“查询当前日期”）交给 Execution Agent 去执行。Execution Agent（可能通过 ReAct 模式调用搜索工具）完成任务，并返回结果（例如，“2025年9月14日”）。

  3. 重新规划 (Re-Plan)：主程序将原始问题、完整计划和第一步的执行记录，全部发送给 Re-Plan 模型。Re-Plan 模型会生成一个更新后的计划：

    • 步骤 1：查询当前日期（已完成）
    • 新步骤 1：搜索 2025年澳网男子冠军的名字。（计划被具体化了）
    • 步骤 2：根据冠军的名字，搜索他的家乡。

  4. 循环执行与重新规划：主程序重复第 2 和第 3 步，依次执行更新后的计划，直到所有步骤完成。

  5. 得出最终答案：当 Re-Plan 模型发现所有步骤都已完成，用户的问题可以回答时，它将不再返回新的计划，而是直接生成最终答案。主程序将此答案返回给用户，流程结束。

这种模式通过将规划和执行解耦，并在每一步后动态调整计划，使得 Agent 在处理复杂、多步骤的任务时表现得更加稳健和灵活。

参考资料

Published in AIGC and 计算机

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注