从理论到实践：深入拆解Agent的四大核心组件（LLM+Tools+Memory+Plan），收藏这份大模型落地指南

原创于 2025-08-29 13:55:58 发布 · 741 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #程序员 #语言模型 #学习 #ai #转行 #产品经理

接下来，我会拆解一下 Agent 的组成结构：包括它是怎么规划任务的、怎么调用工具执行、又是如何记住上下文和偏好的。这不仅是理解 Agent 的方式，也是一种全新的产品设计范式。

首先，我们可以把 Agent 想成是一个终于长出了“手脚”和“记忆”的大模型，是一个能完成复杂任务、能打配合、还能持续优化执行路径的“数字助理”。

它的基本组成有 4 个关键部件：大模型（ LLM ）、工具使用（Tools）、记忆（Memory）、规划能力（Plan）。

在这里插入图片描述

LLM：Agent 的“大脑”

在聊 Agent 是怎么动手干活之前，我们得先搞清楚一个问题：Agent 到底是怎么“理解人话”的？

答案就是——它的“大脑”是 LLM（大语言模型）。

LLM 是什么？

LLM，全称是 Large Language Model（大语言模型），简单来说，它是一个在海量文本上训练出来的“预测机器”——你输入一句话，它预测你可能想听什么，输出相应的内容。

那它是怎么预测的呢？本质上，LLM 是基于上下文预测下一个词的概率模型。它不会“理解”你说了什么（它没有真正的意识），但它非常擅长从大量语言数据中学习出哪些词是“最可能”出现在当前语境后面的。

举个简单的例子：

假设你对 LLM 说了一句话开头：

“我今天早上喝了一杯……”

它会从它学过的海量数据中判断，这个位置最有可能出现的词是什么？

“咖啡” → 可能性 42%“奶茶” → 可能性 27%“白开水” → 可能性 12%“酒” → 可能性 3%“电视” → 可能性 0.01%（不合常理）

于是，模型就选了概率最高的词 —— “咖啡”。

下一步，它再接着预测下一个词，比如：

“我今天早上喝了一杯咖啡，然后……”

“去” → 32%“就” → 25%“感觉” → 20%“跑” → 10%

就这样一个词一个词地接下去，每一步都在预测“最有可能”出现的词。这也解释了 LLM 的一个典型特性：它不是“在思考”，而是根据概率生成最合理的内容。

那LLM和 Agent 有什么不同？

虽然 LLM 听起来就已经很厉害，但它其实像是一个**天赋极高但不具备行动能力的智者（类似于《权力的游戏》中布兰·史塔克），**你让它分析，它能讲得头头是道；但让它去干活，比如查实时票价、登录网站、下订单……它就祭了。

一句话总结它们的区别：

为什么我们需要 Agent？

在真实世界中，我们做的事情往往是「多步骤+跨工具+有明确目标」的，比如：

想写一篇竞品分析报告 → 需要查询多个网站 → 提炼关键信息 → 写文章/写PPT

想订一张机票 → 需要查航班 → 比价 → 下单 → 记录日程

如果 AI 只会告诉你怎么做，而不能替你去做，等于你还是得一个个页面点，一个个 app 切换，根本没有省下多少精力。

而 Agent 就是为了实现“从知道怎么做 → 真的帮你做”而诞生的。它以 LLM 为“核心”，再配上工具调用、任务规划、上下文记忆能力，最终进化成的一个可以自主完成任务的数字助理。

Tools：Agent 的“手脚”

如果说 LLM 是 Agent 的“大脑”，那 Tools 就是它的“手脚”——真正能下场干活的部分。

为什么需要工具？

LLM 虽然能回答很多问题，但它本质上是个封闭系统。它的知识截止于训练时间，不能联网、不能读网页、不能主动获取最新的数据。你问它“明天北京天气怎么样”，它只能说“我无法访问实时信息”。

但换个方式：让它调用一个天气 API，它就能给你答得头头是道。

工具是补上 LLM 无法“感知现实世界”的那一块短板，让它不止能说，还能查、能干、能动。

常见的 Agent 工具类型有哪些？

典型工具调用案例：

GPT + Bing 浏览器插件：用户问“最新的iPhone15什么时候发布”，模型就能自动调用 Bing 搜索 API 来实时抓网页、读内容、生成摘要，信息比默认 LLM 更新、更准确。

携程问道：当用户说“帮我找一张下周去广州的便宜机票”，它会调用航旅票务系统获取实时航班信息->查询用户评价、机型舒适度->返回结构化选项卡（含票价、时间、直飞/中转等标签）。

Memory：Agent 的“记忆”

当用户告诉 AI 要去成都玩 3 天、预算 2000、喜欢住民宿、不吃辣，它会立马埋头开始规划，但下一轮用户补充一句“酒店预算可以放宽点”，它若回复：“您要订哪里的酒店？”用户会不会很崩溃？

这正是没有“记忆能力”的 Agent 经常暴露出的尴尬瞬间。

因此真正能完成完整任务的 Agent，往往都拥有一定程度的记忆能力，而这份“记性”，是它能否从“工具”升级为“助理”的关键。

Agent 记忆可以分为三类：

短期记忆

定义：短期记忆主要通过上下文学习实现，上下文学习指的是利用Prompt中包含的相关信息来改善生成结果的能力。

局限性：上下文窗口的长度限制了LLM可以有效利用的短期记忆容量。当输入Prompt过长时，LLM可能会出现“中间丢失”的现象，即模型难以有效地利用Prompt中间部分的信息。

案例：用户说“我想订去成都的票”，“下午也可以”→ LLM需要通过短期记忆知道“下午”指的是“飞成都的航班”。

长期记忆

定义：长期记忆使AI Agent能够跨多次交互存储和检索信息，提供持续性和个性化体验。虽然无法在每次对话中将用户的所有历史会话都纳入Prompt，但可以通过特定的存储机制保留关键信息，并在需要时检索以补充上下文。

存储内容：关键事实，如用户的职业、兴趣或重要事件；用户偏好，如喜欢简洁回答或偏好某种语言风格；历史决策，如用户过去的选项选择或行为模式。

案例：讯飞晓医会自动记录用户的年龄、性别、慢性病史，用户下一次打开时，只需说“我最近又咳嗽了”，它就能结合既往记录推荐就诊科室或用药建议。

3.记忆反思

定义：指Agent分析其存储的记忆，从中提取经验教训或模式，以优化未来的行为和决策，这一过程类似于人类通过回顾过去来改进当下的能力。

Agent的“反思”方式：从交互中学习，通过分析历史记录，识别重复出现的模式或错误，并调整策略；个性化响应，利用长期记忆中的用户偏好，Agent能为每个用户量身定制回答；优化决策，通过反思历史决策，Agent能在相似场景下做出更优选择；知识积累，随着时间推移，Agent构建并完善知识库，提供更准确、更有深度的回答。

通过记忆反思，Agent从静态的响应工具转变为动态的学习者，这种能力不仅提升了回答的质量和效率，还使Agent更具适应性，能够应对复杂的用户需求和变化的场景。

Plan：Agent 的“规划能力”

真正能解决任务的 Agent，一定拥有 Plan，也就是“规划”的能力。这份能力，才是它从“语言模型”迈向“任务执行器”的核心跨越。

什么是 Plan？

Plan，说白了就是让 Agent 具备拆任务、排顺序、定策略、协调执行的能力。不是“你问我答”，而是“你交代任务，我安排流程”。

这件事的难点不在“调用工具”，而在于：在合适的时机，用对的工具，干对的事。

Plan 的三大关键能力：

理解任务目标

Agent 不只是听懂语义，还要明确用户到底要解决什么。用户说“我想去成都玩三天”，它要理解你不是“想了解成都”，而是“希望获得一份可落地的三日行程安排”。

拆分子任务

一个目标往往需要多个步骤配合完成：订机票->找酒店->安排行程（分三天）->推荐美食和交通。每一步都依赖上一步的结果。

排定执行顺序并动态调整

Agent 需要知道什么任务必须先做（如订机票定时间），什么可以后做（如安排餐馆），还要根据用户反馈随时调整计划。比如：用户突然说“我不想住民宿了”，它就要重新筛选酒店、更新交通方案，而不是“重来一次”。

现实中 Agent 是如何规划的？

当前主流的 Plan 实现方式有四种：

按提示词进行规划

靠设计 prompt引导大模型“自己”拆解任务，好处是轻量、快上手，缺点是稳定性差、难跟踪，例如让 ChatGPT 写一份面试准备清单，它靠 prompt 自动列出流程，但中途改需求就崩。

按规则进行规划

通过 if-else 或流程图硬编码规则，适合流程固定、变化少的场景，例如企业对话机器人。

用代码规划进行规划

用代码构建任务图或执行链，每一步都显式定义，逻辑可控、可追踪，例如LangChain 的 AgentExecutor、AutoGPT 的多步指令系统。

LLM + Planner 模块

LLM 负责意图理解和任务拆解，Planner 模块协调任务流、调用工具、管理状态，这是当前最灵活、最强大的方案，例如Manus就是用这种方式。

以飞猪 Agent 为例：用户说：“我想从北京去成都玩 3 天。”

LLM 理解意图：出行需求 + 时间 + 地点Planner 拆解任务：查航班 → 筛酒店 → 生成行程 → 输出总结卡片Tool 调用：航旅 API、价格比价、地图服务、用户偏好筛选Memory 记忆：用户预算、是否携带老人、对餐饮的偏好Plan 全程串联：每一步都按依赖顺序执行，中间结果还能被动态更新

最后用户收到的是：已查航班->推荐酒店卡片->导出日程->推荐用户偏好的餐馆

在这里插入图片描述