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

曹魏尚书卫觊之子，轻松干掉邓艾、钟会及姜维，却被一丑女玩死

公元263年，派遣钟会、邓艾、等分东、中、西三路进攻汉中，蜀汉大将率兵将钟会阻挡在剑阁，而邓艾则率精兵偷度阴平，直达蜀汉都城成都，后主刘阿斗经过短暂的思考，遂出城投降，这也标志着蜀汉的灭亡。

此次伐蜀之战中，钟会和邓艾功不可没。

而姜维听说皇帝阿斗那么快就投降了，自己差点气吐血，为恢复蜀汉之政权，姜维就假意投降于钟会。

客观来说，邓艾、钟会和姜维，都是此时不可获得的人才，可谓是智勇双全。

令人意外的是，如此聪明的三个人，却被同一人所杀，能轻松干掉三位猛将的人是谁呢? 卫瓘，三国时期曹魏将领，西晋时重臣、书法家。

曹魏尚书卫觊之子。

出身于官宦世家的卫瓘，因深厚的家庭背景，很早就踏入了仕途，历尚书郎、散骑常侍、侍中、廷尉等职。

在尔虞我诈的官场中，卫瓘绝对是一股清流，一直坚持秉公执法，不亲不疏，总是明之以法，晓之以理，为世人所称赞。

卫瓘 司马昭篡权后，对卫瓘予以重用，并在讨伐蜀汉之时，任命他为监军，以监督邓艾、钟会的军事行动，等同于手持尚方宝剑。

虽名义上为监军，但卫瓘手中仅有一千士兵，而钟会和邓艾则掌握着真正的实权。

蜀国灭亡后，邓艾有点飘飘然，卫瓘看不惯邓艾的作风，就诬告邓艾有谋反之嫌疑，并最终于忽悠钟会一起生擒了邓艾父子。

邓艾剧照 次年，在姜维的忽悠下，钟会以为郭致哀为由，将胡烈等将领、官员请至蜀国朝堂，趁机将他们软禁起来，并举兵叛乱。

钟会深知，卫瓘是司马昭的心腹，一旦此消息被卫瓘泄露，自己将身败名裂，就极力拉拢他。

卫瓘表面上答应了钟会，却私下联合其他魏军，一起讨饭钟会和姜维。

最终，钟会和姜维兵败被杀，卫瓘取得了胜利。

姜维剧照 邓艾的部下曾想要救出邓艾，把他迎接回成都，卫瓘把自己陷害邓艾之事暴露，就连夜派亲信杀死了邓艾父子。

就这样，邓艾、钟会及姜维三人，都被的卫瓘所出掉。

西晋建立后，卫瓘备受的信任，转任征东将军，不久进爵为菑阳公，官至尚书令，加侍中、太子少傅，成为一人之下万人之上的宠臣，儿子还娶了当朝的公主。

当时的太子，智商令人担忧，卫瓘就曾私下里向晋武帝进言，为了江山社稷考虑，希望废掉司马衷，令立太子。

此事被太子妃知道，对卫瓘恨之入骨。

后来，司马衷继承了皇位，贾南风顺势被封为皇后，因皇帝司马衷太傻，贾南风把持朝政，第一件事就下令对卫瓘满门抄斩。

贾南风 曾经的卫瓘，很轻松地干掉了邓艾、钟会及姜维三位牛人，最终却被贾南风满门抄斩，不可谓不惨。

所以，千万不能得罪女人，尤其是心机很重的女人，否则怎么死的都不知道，卫瓘就是一个鲜活的例子。

随机文章乾隆的一些生平事迹领导风格?德国导弹射程多远，最远可能不到600公里（受制约）宇宙空间是无限的吗，爱因斯坦的理论E=mc^可证明宇宙无限大宇宙空间是怎样形成的，奇点大爆炸喷发出大量能量形成物质宇宙比银河系大3万倍的星系，对比银河系就像小苍蝇（直径30亿万光年） 本站内容大多收集于互联网，内容仅供娱乐，并不代表本站观点，如果本站内容侵犯了您的权益，敬请联系网站管理员，我们将尽快回复您，谢谢合作！