“多数人仍将 AI 当作增强版搜索工具，AI Agent 是下一代 AI 变革，懂与不懂的差距会快速拉大。”
但 Agent 究竟是什么？它和普通 Prompt 的本质区别在哪里？它的内部是怎么运转的？
今天，我们从概念到源码，系统性拆解 AI Agent 的核心原理。
一、先厘清本质：Prompt 是司机，Agent 是自动驾驶
普通 Prompt：雇佣一个听话的新手司机
你告诉它"帮我查一下北京今天的天气"，它就查完天气、给你答案。全程需要你引导，每一步都要你下指令。
这种模式叫被动响应：人类下指令，AI 单次执行，过程需要人全程介入。
AI Agent：雇佣一个老司机 + 自动驾驶系统
你告诉它"帮我把这份报告发给王总"，它会：
- 自己规划步骤（打开邮箱 → 找到联系人 → 粘贴报告 → 发送）
- 遇到异常自己调整（王总邮箱地址变了？自动找到新地址）
- 自己校验结果（确认发送成功了吗？）
- 全程不需要你盯着
这种模式叫自主闭环：人类只下达总目标，内部系统自动规划、执行、自查、修正。
核心差距：Prompt 等待指令，Agent 自主行动。
二、AI Agent 四大核心模块
AI Agent 的内部，核心是一个大语言模型（LLM），它是整个系统的"大脑"，负责理解意图、逻辑推理、识别信息。
在这个大脑之上，配备了四个协作模块：
┌─────────────────────┐
│ 大脑：LLM │
└─────────────────────┘
▲ ▼
┌──────────┴──────┴──────────┐
│ │
┌──┴──┐ ┌──────┐ ┌────┐ ┌───┴───┐
│分析师│─▶│规划师│─▶│操作员│─▶│审计员│
└─────┘ └──────┘ └────┘ └───┬───┘
│
◀──── OODA 循环 ──── ◀─┘
1. 分析师（Information Integrator）
职责： 收集、梳理原始信息，挖掘数据规律，把杂乱素材整理成可用信息。
对应 PilotDeck 模块： ContextRuntime（上下文运行时）
// PilotDeck 中的 ContextRuntime.prepareForModel()// 负责准备模型所需的上下文信息constawaitprepareForModelmessagescloneMessagesmaxMessagesthisconfigmaxContextMessages
ContextRuntime 扮演"分析师"角色：它收集对话历史、工具列表、用户上下文，进行预处理后交给大脑（LLM）。
2. 规划师（Planner）
职责： 接收最终目标，将复杂任务拆解成多步执行方案。
对应 PilotDeck 模块： RouterRuntime.decide() + AgentLoop
// PilotDeck 中的路由决策 - 规划师的核心逻辑constawaitthisdependenciesrouterdecidemetadataundefined// 根据决策结果，选择合适的模型和策略// 这就是规划师的"决策"过程
同时，Auto-Orchestrate 模块扮演更直接的"规划师"角色——它负责在复杂任务中编排子 Agent：
// applyOrchestration.ts - 编排规划ifautoOrchestrateenabledconstapplyOrchestrationconfigautoOrchestratetier// 注入编排 Prompt，相当于"规划师"制定执行方案requestPatchmessagesrequestmessagestoolsrequesttoolssystemPromptrequestsystemPrompt
3. 操作员（Operator）
职责： 落地执行具体操作——查资讯、发邮件、生成报表、操作文件等。
对应 PilotDeck 模块： AgentLoop.executeToolsWithEventPump()
// AgentLoop 中的工具执行 - 操作员的执行动作constyieldthisexecuteToolsWithEventPump// 包含所有工具的运行时上下文
PilotDeck 的工具系统（Tool Runtime）就是"操作员"。它通过统一的工具接口，执行读取文件、搜索代码、执行命令等各种操作。
4. 审计员（Auditor）
职责： 校验操作员产出的结果，核对是否符合预设标准，发现偏差后反馈给规划师重新调整。
对应 PilotDeck 模块： CompactionEngine + Circuit Breaker
// CompactionEngine - 审计员检查上下文是否"合规"ifpostTokensthistokenBudgetestimateMessagesTokensbuildPostCompactMessages// 检查压缩后是否符合预期的 token 上限// Circuit Breaker - 审计员发现连续失败直接熔断constevery(r) =>type"error"errorcode"invalid_tool_input"ififMAX_CONSECUTIVE_ALL_INVALID_TURNSthrownewError"模型陷入工具调用错误循环，终止执行"
审计员不只在结束时检查，还会在过程中实时监控——Token 预算超了？压缩。连续错误？熔断。
三、OODA 循环：Agent 的自主运行引擎
OODA 循环是 Agent 区别于传统自动化脚本的核心：
- 传统自动化：按固定脚本执行，遇到异常就中断
- AI Agent：通过 OODA 循环自主应对突发状况
观察 → 调整 → 决策 → 行动 → (循环)
▲ │
└────────────────────────┘
观察（Observation）
Agent 实时获取当前状态：
// PilotDeck AgentLoop 中的状态观察constassembleAssistantMessageconstcollectToolCallsmessage// 观察当前轮次产生了哪些工具调用
调整（Orient）
根据新观察到的信息，重新分析现状：
// TokenSaver 的智能分类 - 观察后调整 tier 决策constawaitclassifyAndRouteconfigtokenSavermessagesrequestmessagespreviousTiermetadatapreviousTier// 参考前一轮的 tier// 如果上一轮是 "complex"，这一轮发现任务变简单了，自动调整
决策（Decide）
规划师更新执行步骤：
// decideScenario - 根据最新观察重新决策constdecideScenarioscenariosifmodelHint// 检测到子 Agent 标签 → 切换到 subagent 场景"subagent"
行动（Act）
操作员按新方案继续执行：
// RouterRuntime.execute() - 执行决策forawaitconstofthisdependenciesrouterexecuteyield// 流式输出行动结果
PilotDeck 的 OODA 实现：
whiletrue// 1. 观察 - tryAutoCompact 获取上下文状态constawaittryAutoCompact// 2. 调整 - 决策前压缩（适应主模型窗口）ifmessages// 重新调整上下文// 3. 决策 - decide() 选择模型和策略constawaitdecide// 4. 行动 - execute() 执行模型调用forawaitconstofexecuteyield// 循环直到完成或达到 maxTurns
四、GPS 前置校验：启动前的三件事
“Agent 不是魔法，会放大指令的模糊与流程缺陷。”
启动任务前，必须明确三项信息，消除指令模糊：
G - Goal（目标）
清晰定义最终要达成什么结果。
PilotDeck 实现： SessionRouterStore 中的 tokenSaverTier 记录当前任务类型，帮助 Agent 始终明确"我在处理什么级别的问题"。
P - Standard（标准）
划定审核规则、边界要求。
PilotDeck 实现：
- Circuit Breaker 设置错误次数上限（3次连续失败即熔断）
- maxOutputTokens 设置输出上限
- TokenBudgetManager 控制 token 消耗上限
S - Steps（步骤）
明确基础执行约束。
PilotDeck 实现：
// AgentLoop 的执行步骤是明确的whiletrueifbreak// 步骤约束：最大轮次ifbreak// 步骤约束：可中止ifundefinedbreak// 步骤约束：结构化输出即停止
五、实战对比：普通 Prompt vs AI Agent 任务处理
| 维度 | 普通 Prompt | AI Agent |
|---|---|---|
| 交互模式 | 单次问答 | 多轮自主循环 |
| 异常处理 | 人工介入 | OODA 循环自动调整 |
| 任务拆解 | 人工规划 | 规划师模块自动拆解 |
| 结果校验 | 人工检查 | 审计员模块自动校验 |
| 上下文管理 | 无 | 自动压缩（CompactionEngine） |
| 工具调用 | 手动指定 | 自动选择并执行 |
| 故障恢复 | 人工重试 | Fallback 链自动降级 |
六、落地关键：窄场景 > 大而全
“成功的 Agent 不追求大而全，而是聚焦人们厌恶但必须重复做的具体任务。”
PilotDeck 的设计也印证了这一点：
- TokenSaver 只做一件事：判断当前任务用哪个 tier 的模型
- Auto-Orchestrate 只做一件事：当任务是 complex 时，触发编排模式
- Circuit Breaker 只做一件事：发现连续错误就熔断
每个模块职责单一，通过组合形成复杂能力。
总结
AI Agent 的本质，是在 LLM 这个"大脑"之上，构建一套自主运行系统：
LLM（大语言模型）
│
├── 分析师 → ContextRuntime（上下文管理）
├── 规划师 → RouterRuntime.decide()（路由决策）
├── 操作员 → AgentLoop + ToolRuntime（工具执行）
├── 审计员 → CompactionEngine + CircuitBreaker（审核容错）
│
└── 运行引擎 → OODA 循环（自主迭代）
│
└── 前置校验 → GPS（目标/标准/步骤）
理解了这套架构，你就理解了所有主流 Agent 框架的核心设计逻辑——无论是开源的 PilotDeck，还是商业化的 AI 产品。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
436
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
