拉尼娜来袭，今冬会成“冰封季”吗？

例如，10月以来，华北等地提前入冬，内蒙古、东北等地降温超10℃，而11月北方大部气温又可能偏高1-3℃。

这种“暖-冷-暖”的波动模式，与拉尼娜状态下大气环流的阶段性调整密切相关。

拉尼娜是赤道中东太平洋海表温度持续异常偏冷的现象，与厄尔尼诺形成“冷暖周期”。

其形成源于热带太平洋的“风-海”互动：当偏东信风异常增强时，赤道东太平洋的暖水被吹向西太平洋，导致深层冷水上涌补充，形成“东部冷、西部暖”的温差格局。

这种海温异常会通过沃克环流（赤道太平洋上空的东西向大气环流）影响全球气候，成为气候系统中最强的年际变异信号之一。

中国气象局国家气候中心研究员顾薇指出，拉尼娜的判定需满足NINO3.4指数（赤道中东太平洋海温距平）连续5个月低于-0.5℃。

2025年10月，我国已进入拉尼娜状态，但预计春季中后期将减弱，其持续时间较短，但影响可能滞后至后续季节。

历史回响：拉尼娜的“冷暖印记”自1950年以来，全球共记录16次拉尼娜事件，其中仅1988年为强事件，其余多为弱至中等强度。

我国受拉尼娜影响的冬季气候呈现显著特征：气温偏冷概率高：1950-2025年间，20个拉尼娜年中17年冬季平均气温偏低，偏冷概率达85%。

例如，1986年以前拉尼娜年均为冷冬，但全球变暖背景下，1986年后暖冬频率增加，如2021年冬季虽受拉尼娜影响，却成为1961年以来第三暖冬。

降水格局“南旱北涝”：拉尼娜年冬季，西北太平洋副热带高压偏北，雨带北移，导致长江以南降水偏少，华北、东北降水偏多。

2008年南方雪灾虽与拉尼娜相关，但需冷空气与暖湿气流共同作用，属于小概率极端事件。

台风活动异常：拉尼娜年西北太平洋海温偏暖，台风生成数量可能偏多。

2022年“三重拉尼娜”期间，全球台风活动频繁，我国东南沿海需警惕台风与冷空气叠加的复合灾害。

今冬气候：冷暖交织的“拉锯战”冬季降水偏少：2025年冬季，我国南方降水较常年偏少超50%，福建、广东、广西等地偏少八成以上，创1961年以来同期最少纪录。

拉尼娜通过抑制西北太平洋暖湿气流输送，成为南方干旱的“推手”。

冷暖起伏显著：预计今冬我国大部地区气温接近常年同期或偏高，但冷空气活动频繁，阶段性低温雨雪天气仍可能发生。

贵州作为冻雨高发区，今冬凝冻灾害预计偏轻，但西部高海拔地区仍需防范道路结冰。

全球变暖的“缓冲效应”：在全球升温背景下，拉尼娜的降温作用被部分抵消。

2020-2023年“三重拉尼娜”期间，全球平均气温仍屡创新高，2024年或成最热年份之一。

拉尼娜虽是今冬气候的重要影响因素，但并非唯一变量。

北极海冰融化、欧亚积雪变化、中高纬度大气环流系统等因素，均会通过复杂相互作用调制气候。

例如，北极涛动（AO）的负相位可能引导冷空气南下，而西伯利亚高压的强度则直接影响寒潮路径。

全球变暖的叠加效应更使气候预测充满挑战。

过去15次拉尼娜事件中，我国冬季偏冷概率达67%，但21世纪以来，暖冬频率显著增加。

2020-2023年的“三重拉尼娜”期间，全球气温仍屡创新高，印证了变暖背景下极端事件复杂化的趋势。

理性应对：从预测到行动面对气候谜题，科学预测与韧性适应是关键。

国家气候中心通过BCC-CPSv3模式，已实现对厄尔尼诺/拉尼娜事件跨季度预测能力的国际领先，而人工智能技术更将冬季海温预测技巧延长至20个月。

这些进展为防灾减灾提供了重要支撑。

深入拆解 Agent 原理：LLM+工具+记忆+规划

本文将系统拆解 Agent 的底层原理与设计逻辑，帮助产品人理解如何从技术组件走向产品能力，构建真正可用、可控、可演化的智能体系统。

之前发过一篇落地Agent必做的六件事Agent没人用？是你没做对这6件事（含0-1医疗Agent真实复盘），随着最近对Agent研究的更加深入，我认为有必要拆解一下其原理。

我去阅读了Agent相关的论文，又试用了现有的Agent产品，有众所周知的独立Agent：如manus、loveart，也有嵌入现有App的Agent：如夸克搜索Agent、飞猪旅行Agent、淘宝AI万能搜等。

我发现独立Agent一般都“高调登场”，尽其所能向全世界宣布“我来了！” 而大厂现有产品中的Agent功能上线普遍比较“低调”，一定会经过长时间的内测、灰度，才会小范围上线，例如“淘宝AI万能搜”至少是在半年前就听说在做，至今才上线。

虽然“淘宝AI万能搜”没有特别惊艳，但整体的使用体验，在各类导购型Agent中，算是数一数二的了，下图有入口，大家有兴趣可体验。

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）。

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： 1、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”。

2.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： 1、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。

2、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。

3、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。

4、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 最后 我曾经以为 AI 只是个更聪明的工具，现在慢慢发现，它已经逐渐变成了“能干活的搭子”。

但也别高估现状——现在市面上大多数 Agent，不管名字起得多响，很多其实还停留在“半搭子”状态：有的会拆任务，但不会调合适的工具；

有的记住了用户过多偏好，导致用户对话始终在自己的“记忆”中打圈圈；

有的做完了第一步，却走错了下一步，想修改却在错误的道路越走越远。

所以，真正好的Agent，是它能否像一个“产品经理+研发”——不仅能准确理解用户的需求，还能将大目标拆解成可执行的小任务，并能在复杂路径中灵活调整，最终把事办成。

我心中最理想的Agent，就是《终结者2：审判日》中的T-1000，它不是一个被动执行命令的机器人，而是一个具备高度自主性和适应能力的终结者Agent。

规划与执行：它的核心任务是追杀约翰·康纳。

它能根据环境变化（例如，约翰逃跑的方式、交通工具的选择），实时调整自己的追捕策略，而不是简单地遵循固定路径。

图：T1000通过液体形态进入直升机，去追杀康纳 工具调用：它能将自己的身体形态转变为各种工具（如刀、钩），甚至伪装成人类，这就像Agent能灵活调用不同的外部工具来完成任务。

持久记忆：它能记住目标人物的特征、声音，并利用这些记忆进行伪装和诱捕，这完美体现了Agent的长期记忆能力。

图：T1000伪装成康纳的养母，并用剑杀死了康纳的养父 本文由 @AI产品泡腾片 原创发布于人人都是产品经理。

未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议