【菜科解读】

从 LLM 到工具调用，从记忆机制到任务规划，Agent 的四大核心能力构成了其“类人智能”的基础，也决定了其在实际场景中的落地深度。

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

不是AI淘汰你，是你用不起Token #AI #Token #技术变革

广告 不是AI淘汰你，是你用不起Token #AI #Token #技术变革 16:39 广告 广告 广告 了解详情 > 会员跳广告 首月9.9元 秒后跳过广告 开通搜狐视频黄金会员，尊享更高品质体验！ 1080P及以上画质仅为黄金会员专享> 开通/续费会员 抱歉，您观看的视频加载失败 请检查网络连接后重试，有话要说？请点击 我要反馈>> 正在切换清晰度... 播放 按esc可退出全屏模式 00:00 00:00 04:07 广告 只看TA 高清 倍速 剧集 字幕 下拉浏览更多 5X进行中 炫彩HDRVIP尊享HDR视觉盛宴 高清 540P 2.0x 1.5x 1.25x 1.0x 0.8x 50 哎呀，什么都没识别到 反馈 循环播放 跳过片头片尾 画面色彩调整 AI明星识别 视频截取 跳过片头片尾 是 | 否 色彩调整 亮度 标准 饱和度 100 对比度 100 恢复默认设置 关闭 复制全部log

《火爆街头》导演预言：两年内AI演员与真人无异

他的成名作是一部真实呈现巴黎郊区底层生活的杰作，而如今，《火爆街头》的导演已全面拥抱AI驱动的电影未来。

马修·卡索维茨将AI技术称为"我们所需要的最后一件艺术工具"，并对外界关于AI侵犯知识产权的担忧不以为然，他在接受《卫报》采访时直言："版权算什么。

" 这位获奖无数的导演兼演员，正在筹拍一部几乎完全由AI技术实现的电影，该片改编自埃德蒙-弗朗索瓦·卡尔沃于20世纪40年代创作的战时漫画。

他同时预言，第一批AI电影明星即将登场。

卡索维茨表示，尽管其他电影人担心AI生成的人物角色毫无灵魂，但他最近看到一个AI角色时，竟被其"眼中流露出的情感震惊得不寒而栗"。

"现在，所有人都心存恐惧，"他说，"但在未来几年内，你将看到真正优秀的AI超级明星。

会有AI演员拥有数百万粉丝，他们会活在你的手机里，当他们为某部电影做宣传时，你可以直接与他们对话。

" 卡索维茨对AI代表电影未来的坚定支持，出现在第二届世界AI电影节上，该活动在戛纳举行。

同月，戛纳主电影节宣布，官方竞赛单元禁止AI生成影片参赛。

电影节主席艾里斯·克诺布洛赫表示："AI模仿能力很强，但永远无法真正感受深层情感。

" 然而，现年58岁的卡索维茨——其1995年执导的《火爆街头》曾斩获三项凯撒奖——却表示，"两年后，没有人会在意"电影角色究竟是由AI创造还是由真人演员出演。

卡索维茨坦言，看到AI表演如此以假乱真，他"心里很难受"，但他同时强调，声音部分仍然需要演员的参与。

他还宣布将在巴黎成立一家AI电影工作室，并将其比作乔治·卢卡斯于1975年为制作《星球大战》而创立的工业光魔特效公司。

随着视频AI技术的快速进步，卡索维茨暂停了改编电影《野兽已死》的前期筹备工作，转而探索AI技术的应用可能。

他透露，美国和欧洲的传统制片公司曾为他期望的视觉效果报价5000万至6000万美元，而借助AI，成本将压缩至2500万美元。

卡索维茨发表上述言论之际，好莱坞各大制片公司也开始将AI更深度地融入电影制作，纷纷投资AI公司，并聘请科技行业领袖引领这一技术变革。

支持者认为，AI是一种能降低制作成本、激发创意的工具，有望向更广泛的创作群体开放电影艺术，并推动更多影片得以面世。

派拉蒙总裁大卫·艾里森——他近期收购了华纳兄弟，也是科技亿万富翁拉里·艾里森之子——表示："AI已经到来，它将对这个行业的方方面面带来颠覆性变革。

" 上周，曾主演《蝙蝠侠永远》和《壮志凌云》、于一年前离世的演员瓦尔·基尔默，出现在新片《深埋墓中》的预告片里。

在其遗产管理人的授权下，他在片中的表演由AI生成。

然而，批评AI技术的人士担忧，AI驱动的电影缺乏灵魂，并将导致演员、作曲家及各类创意从业者失去工作。

编剧、导演和音乐人也在奋起抵制科技公司在未经同意、未予补偿的情况下，将受版权保护的作品用于训练AI模型。

卡索维茨对版权问题不屑一顾，并说："《火爆街头》本身就是从其他电影中汲取灵感创作出来的。

他们也在借用别人的东西。

我从斯科塞斯那里偷了镜头，他又是从黑泽明那里偷的，黑泽明则是从爱森斯坦那里偷的。

除非你是从零开始凭空创造，否则我们都是小偷。

所以，说AI偷了一切，倒不如说它什么都没偷。

" 不过，他也补充道："如果我看到有人拿《火爆街头》做些毫无意义的烂事，我肯定会起诉他们。

" 同样出席此次电影节的德国知名版权律师蒂姆·克拉夫特表示，目前全球针对AI公司的版权诉讼案件多达近140起，主要集中在美国，德国也有部分案件。

他说："要求科技平台为内容使用付费，完全合情合理——它们赚取了巨额财富……我们迫切需要找到解决方案，让谷歌、OpenAI这样的公司为其使用行为付费，因为它们的运营建立在我们的知识和版权材料之上。

" Q&A Q1：卡索维茨正在筹拍的AI电影是什么？进展如何？ A：卡索维茨正在筹拍一部名为《野兽已死》的电影，改编自埃德蒙-弗朗索瓦·卡尔沃于20世纪40年代创作的战时漫画，计划几乎完全借助AI技术实现。

他曾暂停前期筹备工作，转而深入探索AI技术的应用潜力。

传统制片公司为其所需视觉效果报价高达5000万至6000万美元，而采用AI技术后，成本可压缩至2500万美元。

Q2：戛纳电影节对AI影片的态度是什么？ A：2025年戛纳主电影节宣布，在官方竞赛单元禁止AI生成影片参赛。

电影节主席艾里斯·克诺布洛赫表示，AI模仿能力虽强，但永远无法真正感受深层情感。

而与此同时，另一个专注AI内容的世界AI电影节也在戛纳举行，两者形成了鲜明对比，折射出业界对AI电影的分歧与争论。

Q3：目前全球针对AI公司的版权诉讼情况如何？ A：据德国知名版权律师蒂姆·克拉夫特介绍，目前全球针对AI公司的版权诉讼案件已接近140起，主要集中在美国，德国也有部分案件涉及其中。

争议焦点在于，谷歌、OpenAI等科技公司在未经授权、未予补偿的情况下，大量使用受版权保护的内容训练AI模型。

律师界普遍呼吁尽快建立相应的付费机制。