LLM Agent 技术全景

“大模型是脑子，Agent 是手脚。” — 吴恩达

一、从”说话”到”做事”

传统的大语言模型只能回答问题——你问它，它答。但一个真正有用的 AI 系统需要能够执行动作：查天气、订机票、写代码并运行、操控机器人……

LLM Agent 就是让大语言模型具备行动能力的核心技术。它让 AI 从被动的”应答者”变成主动的”执行者”。

1
2
3
4
5
6
7
8
传统 LLM：
用户: "帮我查一下北京的天气"
LLM:  "北京今天晴，温度 15-22 度，适合出行。"

LLM Agent：
用户: "帮我查一下北京的天气"
Agent: [Step 1] 调用天气 API → [Step 2] 解析结果 → [Step 3] 告知用户
       （实际执行了网络请求，不是瞎编）

二、Agent 的核心组件

一个完整的 LLM Agent 由四大组件构成：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
┌─────────────────────────────────────────────────┐
│                  LLM Agent                      │
├─────────────────────────────────────────────────┤
│  🔧 工具（Tools）                                │
│     - 搜索、API、代码执行、文件读写              │
│                                                 │
│  🧠 记忆（Memory）                               │
│     - 短期记忆：当前对话上下文                   │
│     - 长期记忆：历史经验、用户偏好               │
│                                                 │
│  📋 规划（Planning）                             │
│     - 任务分解（Task Decomposition）            │
│     - 自我反思（Self-Reflection）                │
│                                                 │
│  🔄 状态（State）                                │
│     - 当前进度、已完成步骤、下一步计划           │
└─────────────────────────────────────────────────┘

2.1 工具（Tools）

工具是 Agent 与外部世界交互的桥梁。没有工具，Agent 只能”空谈”；有了工具，Agent 才能”实干”。

常见工具类型：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
# 1. 搜索工具
search = {
    "type": "search",
    "description": "搜索互联网获取最新信息",
    "query": "2024年北京人口"
}

# 2. API 调用工具
get_weather = {
    "type": "function",
    "function": {
        "name": "get_weather",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名"}
            }
        }
    }
}

# 3. 代码执行工具
code_executor = {
    "type": "code_interpreter",
    "language": "python",
    "code": "import pandas as pd; ..."
}

# 4. 文件操作工具
file_tools = {
    "read": {"path": "/data/report.txt"},
    "write": {"path": "/output/result.txt", "content": "..."},
}

关于工具调用的更多细节，可以参考我之前的文章《Function Calling 实战》。

2.2 记忆（Memory）

短期记忆是当前对话的上下文窗口，受限于 LLM 的 token 上限。

长期记忆让 Agent 记住跨对话的重要信息：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 长期记忆的实现方式

# 方式 1：向量数据库（RAG-style）
user_profile_vector = embed("用户喜欢简洁的回答风格")

# 方式 2：结构化知识图谱
user_knowledge_graph = {
    "name": "张三",
    "preferences": ["简洁回答", "技术细节"],
    "recent_tasks": ["写代码", "数据分析"]
}

# 方式 3：动态记忆总结
memory_summary = summarize_past_conversations(conversation_history)

一个实用的记忆策略：

1
2
3
4
当任务完成时：
1. 提取关键信息（用户偏好、任务结果、错误教训）
2. 更新长期记忆库
3. 下次类似任务时，检索相关记忆作为上下文

2.3 规划（Planning）

规划让 Agent 能够处理复杂多步骤任务，而不只是回答简单问题。

两种核心规划方法：

方法 1：任务分解（Task Decomposition）

将大任务拆解成小步骤，逐步完成。

1
2
3
4
5
6
7
8
9
10
11
12
13
# 输入："帮我分析一下 A 股票是否值得投资"

# LLM 分解：
plan = [
    {"step": 1, "task": "获取 A 股票的历史价格数据"},
    {"step": 2, "task": "获取 A 股票的基本面数据（市盈率、ROE 等）"},
    {"step": 3, "task": "获取近期新闻和分析师评级"},
    {"step": 4, "task": "综合分析，给出投资建议"}
]

# 逐个执行每个步骤
for step in plan:
    execute(step)

方法 2：自我反思（Self-Reflection）

执行过程中遇到错误或失败时，让 Agent 反思并调整策略。

1
2
3
4
Agent 执行任务 → 发现结果不理想 → 自我反思哪里出了问题
→ 调整策略 → 重新执行 → 再次评估

类似于人类的"试错学习"过程。

三、ReAct：推理与行动的结合

3.1 什么是 ReAct？

ReAct（Reason + Act） 是 Princeton 和 Google 提出的 Agent 框架，核心思想是：在每个行动前先进行推理，用推理指导行动。

3.2 ReAct 的循环

1
2
Thought → Action → Observation → Thought → Action → Observation → ...
思考      行动      观察结果     思考      行动      观察结果
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# ReAct 示例：回答"北京市人口比深圳市多多少？"

# Step 1: Thought
"我需要分别查出北京和深圳的人口，然后相减。"

# Step 2: Action
search(city="北京人口")

# Step 3: Observation
"北京市常住人口约 2189 万（2023年）"

# Step 4: Thought
"好的，北京人口已知。现在查深圳人口。"

# Step 5: Action
search(city="深圳人口")

# Step 6: Observation
"深圳市常住人口约 1766 万（2023年）"

# Step 7: Final Answer
"2189 - 1766 = 423 万，北京市人口比深圳市多约 423 万。"

3.3 ReAct vs 其他范式

范式 特点 适用场景
ReAct 推理与行动交替 需要外部知识的复杂问答
Chain-of-Thought 先推理后行动 数学、逻辑问题
Action-Oriented 直接行动，少推理 简单工具调用
Plan-then-Execute 先计划后执行 复杂多步骤任务

四、主流 Agent 框架

4.1 LangChain Agents

LangChain 是最流行的 Agent 开发框架，提供标准化的 Agent 抽象。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
from langchain.agents import AgentExecutor, create_react_agent
from langchain_openai import ChatOpenAI
from langchain import tool

@tool
def get_weather(city: str) -> str:
    """获取城市天气"""
    return f"{city}今天晴，15-22度"

@tool
def search_wiki(query: str) -> str:
    """搜索维基百科"""
    return f"{query}的维基百科内容..."

# 创建 ReAct Agent
llm = ChatOpenAI(model="gpt-4")
agent = create_react_agent(llm, [get_weather, search_wiki])

# 运行
result = agent.run("北京的天气和维基百科介绍")

4.2 AutoGPT / GPT-Engineer

AutoGPT 是最早引起公众关注的 Agent 项目——给它一个目标，它会自动拆解任务、调用工具、直到完成目标。

1
2
3
4
# AutoGPT 使用示例
python -m autogpt --ai-name "研究助手" \
                   --ai-role "帮你完成市场调研" \
                   --goal "分析新能源汽车市场趋势"

局限性：AutoGPT 容易陷入无限循环，每次行动后可能忘记原始目标。

4.3 MetaGPT / ChatDev

多 Agent 协作框架，多个 Agent 扮演不同角色（产品经理、工程师、测试）协作完成软件开发。

1
2
3
4
5
6
7
8
用户：帮我做一个博客网站

MetaGPT 协作流程：
产品经理 Agent → 写 SPEC.md
架构师 Agent   → 设计系统架构
工程师 Agent   → 写代码
测试 Agent     → 写测试用例
运维 Agent     → 部署上线

4.4 CrewAI

专注于”多 Agent 团队协作”的框架，Agent 可以扮演不同角色，在”团队”中分工合作。

1
2
3
4
5
6
7
8
9
10
11
12
13
from crewai import Agent, Task, Crew

# 定义 Agent
researcher = Agent(role="研究员", goal="找到最新AI进展", backstory="...")
writer = Agent(role="作家", goal="写出吸引人的文章", backstory="...")

# 定义任务
task1 = Task(description="调研2024年AI进展", agent=researcher)
task2 = Task(description="写一篇博客", agent=writer)

# 组建团队
crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
result = crew.kickoff()

五、Agent 的关键技术挑战

5.1 规划失效（Planning Failure）

问题：Agent 可能制定了错误的计划，导致任务失败。

解决思路：

  • 自我反思机制：执行前检查计划合理性
  • 错误恢复：失败后重新规划
  • 人类反馈：关键节点需要人类确认

5.2 循环陷阱（Looping）

问题：Agent 可能重复相同的行动，形成死循环。

1
2
搜索 → 搜索 → 搜索 → 搜索 → 搜索 → ...
（永远在搜索，不产出结果）

解决思路：

  • 限制最大行动次数
  • 记录已尝试的行动，避免重复
  • 设置明确的停止条件

5.3 幻觉（Hallucination）

问题：Agent 可能在没有足够信息时瞎编行动理由。

1
2
3
Thought: "根据我的知识，北京市人口约 3000 万"
Action:  ...
（实际上北京约 2200 万——Agent 瞎编了一个数字）

解决思路：

  • 强制 Agent”查证”而非”回忆”
  • 对不确定的信息，主动调用工具搜索
  • 设置置信度阈值，低置信度时主动说”我不知道”

5.4 工具调用可靠性

问题：工具可能返回错误结果，或者超时、格式错误。

1
2
3
4
5
6
7
# 常见错误处理模式
try:
    result = call_tool(tool_name, args)
except TimeoutError:
    return "工具调用超时，重试一次"
except JSONDecodeError:
    return "工具返回格式错误，跳过此工具"

六、Agent 的应用场景

6.1 个人助手（Personal Agent）

1
2
3
4
5
6
7
任务：帮我安排下周的出差
Agent 行为：
1. 查日历，确认可用时间
2. 查航班，预订机票
3. 查酒店，预订酒店
4. 发邮件给同事，告知行程
5. 将行程加入日历

6.2 自动化工作流（Automation）

1
2
3
4
5
6
7
场景：自动化代码审查
Agent 行为：
1. 拉取 PR 代码
2. 运行 lint/测试
3. 分析代码质量和安全性
4. 生成审查意见
5. 在 PR 下留言

6.3 研究助手（Research Agent）

1
2
3
4
5
6
7
8
任务：帮我写一篇关于 Transformer 的调研报告
Agent 行为：
1. 搜索相关论文
2. 下载并阅读论文摘要
3. 精读关键论文全文
4. 整理技术要点
5. 生成报告草稿
6. 检查事实准确性

6.4 代码生成与调试（Coding Agent）

1
2
3
4
5
6
7
8
9
任务：帮我写一个 Web 服务器
Agent 行为：
1. 分析需求
2. 选择技术栈
3. 编写代码
4. 运行测试
5. 发现 bug
6. 调试修复
7. 迭代直到通过所有测试

代表工具：GitHub Copilot Workspace、Devin（首个 AI 软件工程师）

七、Agent 的未来展望

7.1 长期视角

“未来每个人都会有一个 AI Agent，它像今天的智能手机一样普及。” — Sam Altman

7.2 当前局限性

  1. 可靠性：复杂任务成功率仍不高
  2. 成本：多步骤任务消耗大量 token
  3. 安全：Agent 有能力执行危险操作
  4. 可控性：Agent 的决策过程难以解释

7.3 发展方向

  • 更好的规划能力：更可靠的长期任务执行
  • 多模态 Agent：不仅处理文本，还处理图像、音频、视频
  • 具身智能（Embodied AI）：Agent 控制机器人或虚拟化身
  • Agent 间协作：多个 Agent 分工协作完成更大任务

八、总结

LLM Agent 是大模型从”能说”到”能干”的关键：

  1. 核心组件：工具（Tools）+ 记忆（Memory）+ 规划（Planning）+ 状态（State）
  2. ReAct 范式：推理指导行动，行动验证推理
  3. 框架选择：LangChain（生态全）、CrewAI（多 Agent 协作）、AutoGPT（原型探索）
  4. 挑战：规划失效、循环陷阱、幻觉、工具可靠性
  5. 未来：Agent 将成为 AI 落地的主要形态

相关文章：