Agent 核心原理：从概念到可交付结果-优快云博客

聊《Agent 核心原理：从概念到可交付结果》之前，先说一句实在的：别急着背概念，先看它在真实项目里到底解决什么问题。

摘要

本文概述文章目标、核心观点和实践价值。

分类：AI Agent | 账号：Java技术那些事

摘要：很多团队把 Agent 当成“调参玩具”，一推上生产环境就频繁超时或状态错乱。这篇不堆砌框架名词，直接拆解规划、工具、记忆和容错四个底层模块。结合我上个月在订单履约链路里因为 Agent 越权调用导致数据不一致的真实排查过程，重点讲清楚怎么设计监控指标、怎么做事务回滚，以及普通开发者该怎么把这部分工程经验写进简历。

Agent 的本质
规划能力
工具调用
记忆系统
失败恢复
总结

Agent 的本质

文章插图 1

别被“自主智能”这种词带偏。剥开提示工程和框架包装，Agent 就是一个带状态的循环决策器：接收输入 → 评估上下文 → 决定下一步动作 → 执行并更新状态 → 重复。传统微服务是确定性的路由，Agent 处理的是概率性的意图。这意味着它天生会犯错、会卡死、会生成不符合预期的中间态。

我在排查一起工单流转异常时看到，Agent 连续重试了 7 次同一个查询接口，因为大模型把一次短暂的网关 502 误判成了“用户需要补充材料”。如果把它当普通函数调，加个重试队列就能解决；但它是 Agent，重试逻辑本身也是 LLM 生成的，结果陷入自增强的死循环。所以做 Agent 架构的第一步，是承认它的非确定性，并在外围包一层确定性的控制面。不要指望 Prompt 能兜底所有边界情况，那只是成本最高的调试手段。

规划能力

文章插图 2

规划不是把任务拆成固定步骤写死，而是动态的路径选择。早期项目喜欢用静态 Chain-of-Thought，流程写得像流水线。实际跑起来才发现，业务场景的分支比预期多得多。比如一个客服 Agent，原本规划了“识别意图→查知识库→生成回复”三步，结果遇到投诉类请求时，知识库返回了冲突条款，这时候硬走第三步只会输出矛盾内容。

我的做法是引入轻量级的 RePlan 机制：每完成一步，先让 LLM 用结构化字段输出当前进度和置信度。置信度低于阈值（比如 0.6），或者工具返回了异常码，就触发重新规划。这里有个明显的取舍：重规划会增加延迟和 Token 消耗，但在复杂场景里，这比让用户反复重试或人工介入要划算得多。面试或写项目文档时，别只说“用了 ReAct”，明确写出你的判定阈值、重规划触发条件和对应的性能损耗数据，这才是能过技术面筛子的细节。

优快云资料领取方式

工具调用

工具是 Agent 的手脚，也是线上最容易爆雷的地方。很多人以为只要写好 JSON Schema 就安全了，实际上 LLM 经常会在边缘 case 下塞入非法字符、遗漏必填字段，甚至直接拼接未经转义的用户输入。工具层必须独立于 Prompt 之外，做成强类型适配器。

线上排过一次险：Agent 接到“帮我查一下上周的销量”指令，直接拼了个 SQL 丢给数据库。幸好我们的工具层做了严格校验和只读权限隔离，否则直接就是事故。工具调用的监控不能只看成功率，还要追踪参数分布、调用频次和单次耗时。下面是一个我们实际在用的工具封装示例，重点看校验和异常透传部分：

from typing import Literal
import re
from fastapi import HTTPException

class ToolAdapter:
    @staticmethod
    def query_inventory(product_sku: str, warehouse_code: str):
        # 强校验前置拦截
        if not re.fullmatch(r"[A-Z]{2,4}-\d{4,8}", product_sku):
            raise ValueError(f"SKU 格式错误: {product_sku}")
        if warehouse_code not in ALLOWED_WAREHOUSES:
            raise PermissionError(f"无权访问仓库: {warehouse_code}")

        try:
            result = db.query_inventory(sku=product_sku, wh=warehouse_code)
            return {"stock": result.stock, "status": "available"}
        except Exception as e:
            # 统一转为 Agent 可读的错误结构，避免 LLM 猜测
            raise HTTPException(status_code=503, detail={
                "error_type": "SERVICE_UNAVAILABLE",
                "raw_message": str(e)
            })

这段代码看着简单，但把校验、鉴权和错误标准化做透了，Agent 后续的错误恢复才会顺畅。记住：工具的稳定性决定了 Agent 的天花板。

记忆系统

记忆本质上就是上下文窗口管理。长短期记忆混在一起是新手最常见的坑。短期记忆该放什么？最近三轮对话、工具返回的关键结果、用户明确声明的约束。长期记忆不该是什么？全部的历史聊天记录往向量库里一扔，检索出来又杂又慢。

我们当时切到了混合策略：Redis 存业务变量（用户 ID、当前阶段、已完成的工具清单），向量库只存经过清洗的业务知识片段和成功执行的案例模板。对话历史采用滑动窗口，超过 8 轮就做一次摘要压缩，保留实体和关键决策点，丢弃寒暄和冗余推理。这样做下来，单次请求的 Token 开销降了将近一半，且任务连续性没受影响。写简历时强调你做过“记忆分层与压缩策略”，比单纯写“接入了 LangChain Memory”有说服力得多，后者现在已经是框架默认行为，体现不出工程价值。

失败恢复

这是区分 Demo 和生产系统的分水岭。大模型会幻觉，网络会抖动，下游接口会限流。Agent 一旦走到脏数据或半提交状态，最忌讳的做法是让 LLM 自己“想办法补救”。LLM 没有事务概念，它不知道上一笔钱已经扣了，下一笔退款还没发起。

那次线上故障后，我们重构了容错链路，主要抓了三件事：
1. **可观测性埋点**：每个 Agent Turn 记录输入输出、Token 消耗、工具调用链和耗时。接入 OpenTelemetry，设置重试次数 > 2 或单步耗时 > 5s 的告警。
2. **熔断与降级**：对高风险工具（支付、库存扣减、权限变更）加断路器。连续失败两次直接切断，转交人工审核或 fallback 规则引擎。
3. **显式回滚日志**：所有产生副作用的操作必须记录 Before/After 快照。如果第 3 步失败，代码层面按逆序调用撤销方法，而不是让 LLM 生成一句“请忽略之前的操作”。


# 伪代码：显式回滚模式
async def execute_plan(plan_steps):
    rollback_stack = []
    try:
        for step in plan_steps:
            if step.requires_commit:
                snapshot = take_snapshot(step.target_resource)
                rollback_stack.append(snapshot)
            await step.execute()
    except AgentExecutionError as e:
        logger.error(f"Plan failed at {step.name}, rolling back...")
        for snap in reversed(rollback_stack):
            await restore_state(snap)
        raise  # 向上抛出，由调度器决定重试或转人工

线上跑 Agent，监控面板上要有的不是“用户满意度”，而是：平均重试率、回滚触发频率、工具调用超时占比、人工接管数。这些指标能直接反映你设计的健壮程度。