Agent 这个词被用得很泛:有人把固定流程加几个接口调用叫 Agent,有人把它等同于「会自动规划的多智能体团队」。拆开看,构成其实很朴素——一个循环,加四个部件。理解每个部件解决什么问题、什么时候可以省掉,比追框架重要得多。
一、原理:一个循环,四个部件
Anthropic 在《Building effective agents》里给了一个有用的区分:工作流是用预设代码路径编排模型和工具,Agent 是让模型动态决定自己的流程和工具使用。前者可控、便宜、好调试;后者灵活,但成本和不确定性更高。
Agent 的运行循环通常是:看目标 → 决定下一步 → 调用工具 → 观察结果 → 判断是否完成,未完成则继续。在这个循环里,四个部件各司其职:
- 模型:负责判断与决策,决定下一步做什么、调用哪个工具。
- 工具:负责行动,把决策变成对外部世界的读写。
- 记忆:负责状态,让它在多轮之后仍记得目标、约束和已完成的事。
- 边界:负责刹车,包括最大步数、超时、预算、权限和停止条件。
# 依赖:Python 3.10+,仅标准库
# 用规则模拟模型,演示最小 Agent 循环
TOOLS = {
"search": lambda q: f"检索结果:{q} → 示例数据",
}
def think(goal, history):
# 真实场景把这里换成一次 LLM 调用
if not history:
return {"action": "search", "args": {"q": goal}}
if len(history) == 1:
return {"action": "search", "args": {"q": goal + " 官方数据"}}
return {"action": "finish", "args": {"answer": "根据两次检索整理的回答"}}
def run(goal, max_steps=8):
history = []
for _ in range(max_steps):
d = think(goal, history)
if d["action"] == "finish":
return d["args"]["answer"]
try:
obs = TOOLS[d["action"]](**d["args"])
except Exception as e:
obs = f"工具失败:{e}" # 错误也要作为观察返回
history.append({"action": d, "observation": obs})
return "达到最大步数,停止"
print(run("2026 年上海马拉松报名时间"))
这段代码里最重要的一行不是 think,而是 max_steps。没有停止条件的 Agent,本质上是一个会持续烧钱的循环。
二、规划:解决「下一步做什么」
经典做法是 ReAct:让模型把推理与行动交替进行,用工具返回的真实结果支撑下一步推理。2022 年的 ReAct 论文展示了这种交错方式在问答、事实核查等任务上的效果,它后来几乎成了 Agent 循环的默认结构。
规划有两种常见形态。一种是先计划后执行:先列出 5 步计划,再逐步执行,适合步骤可预判的任务;另一种是边做边想:每步都根据观察重新决定,适合探索型任务。前者省 token 但容易在环境变化时失效,后者灵活但更容易跑偏,通常要配合重规划规则。
规划能力受两个因素限制:任务能否分解,以及模型是否理解环境。给一个含糊目标、又只给模糊工具,模型只能靠猜。相反,如果步骤完全固定,用工作流而不是 Agent,会稳定得多。
还有一类做法是在失败后写反思。Reflexion 让模型把失败原因总结成文字存进记忆,下次遇到类似任务时参考。它在有明确反馈信号的场景(例如代码能否通过测试)比较有效;但反思本身也可能编造原因,如果没有外部信号校验,反思会变成自我安慰。
三、记忆:解决「做着做着忘了」
Agent 的记忆至少有三层:
- 工作记忆:当前上下文里的目标、计划和最近几次工具结果。
- 压缩记忆:当上下文接近上限时,把历史总结成摘要;Anthropic 把这种做法叫 compaction,并建议同时清理不再需要的工具原始返回。
- 外部记忆:文件、数据库、向量库或笔记。Anthropic 提到的结构化笔记(例如维护一个 NOTES.md)让 Agent 在上下文重置后还能接上进度。
MemGPT 这篇工作把上下文管理类比成操作系统:主上下文相当于内存,外部上下文相当于磁盘,模型通过读写外部存储来突破窗口限制。这个类比很有用,但也要记住两点:写入的记忆需要校验,过期的记忆需要清理。检索到一条错误记忆,比没有记忆更糟。
工程上可以按「读多写少」设计:任务开始时只加载必要的少量记忆,执行中按需检索;写记忆时要求结构化字段(时间、来源、置信度),并定期清理过期条目。这样既控制上下文体积,也让记忆可审计。
记忆不是越多越好。上下文是有限的注意力预算,旧日志塞得越多,当前任务的关键信息就越容易被稀释。
四、工具:解决「能做事」
工具是 Agent 和真实世界的接口。Anthropic 建议把工具设计当成「给模型看的说明书」:名称、描述、参数、示例、边界都要清楚;一个工具只做一件事;返回结果要精简且结构稳定;出错时返回可读的错误,让模型能自己修正。
几个实践细节:工具描述里写清「什么时候用、什么时候别用」;参数尽量用枚举和类型约束,少让模型自由发挥;有副作用的写操作要幂等,避免重试导致重复创建;并行工具调用能显著缩短时延,但前提是这些调用之间没有依赖。
还有一个容易被忽略的约束:工具返回的内容也是不可信输入。网页、邮件、文档里可能藏着指令,模型无法可靠区分「数据」和「命令」。所以权限控制必须放在应用层,而不是写在提示词里。
五、多智能体:什么时候值得
多智能体最常见的形态是编排者—工作者(orchestrator-worker):主 Agent 拆解任务、派给子 Agent 并行探索,再汇总结果。它的价值在于并行和上下文隔离——每个子 Agent 在自己的窗口里深挖,只把压缩后的结论交回来。
Anthropic 披露过一组数据:在其内部研究型评测上,多智能体系统(Opus 4 主 Agent + Sonnet 4 子 Agent)比单 Agent 高约 90%,但多智能体消耗的 token 约为普通聊天的 15 倍。这组数字说明的是「贵得有理由」,不是「多智能体普遍更强」。对于需要共享上下文、强依赖、实时协同的任务,多智能体的协调成本往往超过收益。
另一项针对失败模式的研究(MAST)收集了 1600 多条标注轨迹、覆盖 7 个主流多智能体框架,把失败归因到任务规格、智能体间协作与结果验证等环节。它提醒我们:多智能体的失败,多数不是模型不够聪明,而是任务没定义清楚、分工有重叠、没人做最终校验。
因此,多智能体适合「能被干净切分、彼此不依赖、结果可验证」的任务:并行调研、多文件代码修改、多个候选方案评审。不适合需要频繁共享中间状态的任务:多轮谈判、实时协调、共享同一份草稿的编辑。判断标准可以很简单——如果人类团队做这件事也要不停开会同步,多智能体大概率也不会省事。
| 架构 | 适合 | 成本 | 可控性 | 典型失败 |
|---|---|---|---|---|
| 单次模型调用 | 简单问答、抽取 | 低 | 高 | 提示不清、格式不稳 |
| 固定工作流 | 步骤明确、重复任务 | 中 | 高 | 步骤间信息丢失 |
| 单 Agent 循环 | 步骤不确定的探索 | 中高 | 中 | 跑偏、超预算 |
| 多智能体 | 可并行、上下文超窗 | 高 | 低 | 协调失败、重复劳动 |
六、常见坑
- 没有最大步数、超时和预算,Agent 在失败路径上无限重试。
- 工具描述模糊或功能重叠,模型在选择上反复犹豫。
- 把全部历史塞进上下文,越跑越慢且容易忽略关键信息。
- 把串行任务硬拆成多智能体,协调成本远大于并行收益。
- 只在成功样例上演示,没有做失败注入和异常路径测试。
- 没有 trace 和日志,出错后无法复盘是哪一步跑偏。
- 把工作流包装成 Agent,出了问题却按 Agent 的方式排查。
- 给 Agent 过大的权限,一次误操作就造成真实损失。
七、可执行清单
- 先确认任务是否真的需要动态决策;能用工作流就别上 Agent。
- 画出循环图,标清工具、记忆、停止条件分别在哪。
- 给每次运行设最大步数、超时和费用上限。
- 工具数量从少开始,每个工具写清使用边界和错误返回。
- 设计上下文压缩策略,明确保留什么、丢弃什么。
- 从 20 条真实任务起步做评测,记录成功率和失败类型。
- 加完整 trace:每步的决策、工具参数、返回和耗时。
- 上线前做权限审查,写操作默认需要人工确认。
Agent 的上限由模型决定,但它的下限由停止条件和权限边界决定。
参考与延伸阅读
- Building effective agents(Anthropic)
- ReAct: Synergizing Reasoning and Acting in Language Models(arXiv)
- Reflexion: Language Agents with Verbal Reinforcement Learning(arXiv)
- How we built our multi-agent research system(Anthropic)
- Why Do Multi-Agent LLM Systems Fail?(MAST,arXiv)
- MemGPT: Towards LLMs as Operating Systems(arXiv)
外链内容由对应网站负责,访问以实际可用性为准。