本文系统梳理了AI Agent的核心概念、原理及构建模式通过对比ReAct和Plan-and-Execute等主流模式阐述了Agent如何从被动对话转向主动行动。文章详细介绍了构建Agent的思路和关键组件如主程序、行为说明书和工具集适合对AI Agent感兴趣的初学者学习参考。1、为什么需要 Agent传统的大语言模型LLM主要依赖与用户的交互式一问一答通常只能“回答问题”。然而这种模式存在以下几个局限性缺乏环境感知LLM 无法主动获取外部环境信息如实时数据或用户设备状态等。无法触及终端LLM 只能生成文本不能直接执行任务如写文件、运行命令或调用接口。这两个局限使得大模型常常只能提供问答式的交付而无法实现更高效的结果式交付。例如当我询问大模型“帮我写一个贪吃蛇游戏”时我依然需要新建项目文档将大模型返回的代码粘贴进去并打包执行。Agent 的意义在于让模型不只是回答而是 行动。你交代目标它会自己想步骤、用工具、看结果、修正错误直到把事情做完。更规范的语言表述是它能够理解任务目标、规划执行路径、调用外部工具并根据执行反馈动态调整形成一个真正的“执行闭环”。而这背后的核心动力就是从“被动对话”走向“主动行动”。2、什么是 Agent为了解决上述问题我们需要给 LLM 搭配上一些工具如读写文件内容、运行终端命令等等。通过将 LLM 与一堆工具组装我们便得到了一个可以感知和改变外界环境并触及终端的智能程序我们称之为 Agent。一个基本的 Agent 应该具备如下能力。理解用户目标根据环境信息做出决策调用外部工具、服务、接口去完成任务在执行过程中根据反馈调整策略这样智能体不仅仅是“答问题的聊天机器人”而是能够感知环境、规划步骤、做出行动的“行动者”。你可以把 Agent 理解成 “装上了工具箱并且能边想边做的 LLM。”3、Agent 的构建模式构建 AI Agent 并不是一件随便把 LLM 接到某个工具上就能完成的事它有一些被业界普遍采用的模式。学习这些模式让你对AI agent 如何实现你想要的目标会有更深的理解。1 ReActReason ActReAct 是目前 Agent 运行最为广泛的一种模式很多框架如 LangChain Agent、OpenAI Tool Agent、AutoGPT本质上都是在用 ReAct。其基本思想是① 模型先根据当前状态 推理Reason 出下一步要做的动作② 然后将这个动作通过工具调用执行③ 得到执行结果后再进行下一轮推理与行动把模型代入一下哆啦A梦一下子就理解了这种循环式思考 行动模式非常直观适合处理单步或者中短链决策任务。2 Plan-and-Execute先规划后执行相比 ReActPlan-and-Execute 模式强调两段式行为规划阶段Agent 根据目标生成一个完整的步骤计划计划可以包括优先级、依赖关系、执行顺序等信息执行阶段按照计划依次执行每个子任务在执行中如遇错误可以调整计划强调分阶段完成这种模式特别适合结构清晰、每个子步骤又相对独立的复杂任务比如自动生成文档、自动审批流程等。两种模式的优缺点如下ReAct优点简单直观较容易实现。缺点对于复杂多步骤任务性能可能不够稳定决策和行动交织难以管理复杂计划。Plan-and-Execute优点适合多步骤、复杂任务执行可控性和追踪性高。缺点规划和执行分离可能带来初始计划不准确的问题。引用一下流程化的表达就是这样啦3 其他高级模式现代 Agent 还加入了更多能力例如反思与修正机制Reflection使 Agent 在执行过程中自我修正多 Agent 协作Multi-agent不同 Agent 担任不同子任务角色自适应策略动态根据环境反馈调整执行逻辑等但这些只是对 ReAct 和 Plan-and-Execute 的扩展让 Agent 能完成更复杂、更灵活的业务场景。如何构建你自己的 Agent下面讲解一个通用 Agent 的构建思路。如果觉得看不懂也没有关系我们后几期会逐步分享搭建的agent的具体步骤可以先用大雄求助哆啦A梦实现造火箭 对构建agent有初步认识一个Agent项目其实是一个可运行的程序工程它通常包含如下项目文件以ReAct框架举例说明agent.py作用Agent的主程序你输入任务它负责1 将任务发给模型2 让模型按ReAct格式输出思考和下一步动作3 解析模型的输出4 调用工具执行动作5 将工具结果发回模型继续推理from prompt_templateimportreact_system_prompt_template from toolsimporttool_list defhost(question,llm):# 准备动作把可用工具列表拼接进系统提示词 system_promptreact_system_prompt_template.replace(${tool_list},\n.join(tool_list.keys()))#1.将任务发给模型初始化对话上下文 # system:告诉模型行为规则 # user:给出用户当前任务 messages[{role:system,content:system_prompt},{role:user,content:fquestion{question}/question}]#2.进入ReAct主循环思考-动作-观察-再思考whileTrue:# 调用大模型让它基于当前上下文继续推理 replyllm(messages)# 如果模型已经给出最终答案就直接结束iffinal_answerinreply:returnextract_final_answer(reply)# 否则让模型输出了下一步动作并解析 actionextract_action(reply)# 根据 action 调用对应工具执行动作 observationexecute_action(action,tool_list)# 将思考过程和工具结果发回模型继续推理 messages.append({role:assistant,content:reply})messages.append({role:user,content:fobservation{observation}/observation})prompt_template.py作用Agent的行为说明书系统提示词模板它负责1.限制模型输出按照指定格式如thought、action、observation、final_answer2.告知模型有哪些工具什么时候用怎么用。 react_system_prompt_template你需要解决一个问题。为此你需要将问题分解为多个步骤。对于每个步骤首先使用thought思考要做什么然后使用可用工具之一决定一个action。接着你将根据你的行动从环境/工具中收到一个observation。持续这个思考和行动的过程直到你有足够的信息来提供final_answer。 所有步骤请严格使用以下 XML 标签格式输出-question用户问题-thought思考-action采取的工具操作-observation工具或环境返回的结果-final_answer最终答案 ⸻ 例子:question埃菲尔铁塔有多高/questionthought我需要找到埃菲尔铁塔的高度。可以使用搜索工具。/thoughtactionget_height(埃菲尔铁塔)/actionobservation埃菲尔铁塔的高度约为330米包含天线。/observationthought搜索结果显示了高度。我已经得到答案了。/thoughtfinal_answer埃菲尔铁塔的高度约为330米。/final_answer⸻ 请严格遵守-你每次回答都必须包括两个标签第一个是thought第二个是action或final_answer-输出action后立即停止生成等待真实的observation擅自生成observation将导致错误-如果action中的某个工具参数有多行的话请使用 \n 来表示如actionwrite_to_file(/tmp/test.txt,a\nb\nc)/action-工具参数中的文件路径请使用绝对路径不要只给出一个文件名。比如要写write_to_file(/tmp/test.txt,内容)而不是write_to_file(test.txt,内容)⸻ 本次任务可用工具 ${tool_list}tool_list作用agent的执行工具里面有诸多预设写好的工具方法如文件读写/图表绘制等。# tool_list 中的文件读写工具示例 defread_file(file_path:str)-str:withopen(file_path,r,encodingutf-8)asf:returnf.read()defwrite_file(file_path:str,content:str)-str:withopen(file_path,w,encodingutf-8)asf:f.write(content)returnf文件已保存到 {file_path}其他文件该模块包含.env密钥/环境配置文件pyproject.toml依赖清单README.md说明文件等。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取