

首页  思维导图  详情



Agent 智能体核心架构与深度认知

2026-04-01 15:39:15   0  举报





AI智能生成

以大模型LLM为核心驱动，具备规划、记忆、工具使用三大核心能力的自主实体，这是当前企业级AI应用落地的核心形态，其权威定义来自Lilian Weng的行业标杆博主

Agent

AgenticRAG

LLM

模版推荐

作者其他创作

大纲/内容

LLM驱动的智能体（行业共识定义）

以大模型LLM为核心驱动，具备规划、记忆、工具使用三大核心能力的自主实体

LLM Powered Autonomous Agents | Lil'Log: https://lilianweng.github.io/posts/2023-06-23-agent/

理解LLM Agent的基石，

三大核心组件详解

规划（Planning）

是什么

将用户的复杂任务拆解为可执行的子目标（Task Decomposition）

并通过自我反思（Self-Reflection）迭代优化执行策略，最终完成整体目标的能力

解决的问题

大模型无法直接处理复杂、多步骤的长链路任务，容易出现步骤遗漏、逻辑混乱、无法纠错的痛点

核心能力

任务拆解

多步推理

自我反思与纠错

执行策略动态调整

落地场景

工具调用返回错误时的自主重试

RAG检索结果不匹配时的query重写

长篇文档生成的章节拆解与合规校验

记忆（Memory）

是什么

为Agent提供信息存储与调取能力

分为短期记忆和长期记忆两类，是Agent实现跨会话、长周期任务执行的基础

解决的问题

大模型上下文窗口有限

无法存储跨会话、长周期的用户信息与执行历史

避免全量上下文加载带来的噪声干扰与token成本失控

核心能力

长期记忆

存储跨会话的用户偏好

业务规则

历史行为数据，通常通过外部向量库实现存储与快速检索

目前行业内尚无完美的解决方案，Mem0是代表性开源项目

短期记忆

存储当前会话的对话上下文

工具调用历史

执行中间结果，对应大模型的上下文窗口

生命周期与当前会话绑定

核心落地痛点

长期记忆的核心挑战是平衡上下文加载的信息密度、噪声控制与token成本

不能无差别全量加载历史信息，需设计精准的记忆检索与过滤机制

工具使用（Tool Use）

是什么

基于Function Calling能力，让Agent学习调用外部工具，补充模型自身能力短板，完成与外部环境/业务系统的交互

解决的问题

大模型自身无法获取实时数据、无法执行业务操作、无法完成专业领域计算的原生短板，是Agent落地企业业务的核心抓手

与Function Calling的关系

Function Calling是Agent实现工具使用的底层技术基础

Agent是基于Function Calling构建的更高阶的自主执行系统

多智能体协同的核心逻辑

通过多个具备不同分工、不同专业能力的单智能体，按照既定的业务流程协同工作，组成更复杂的协作网络，完成更庞大的系统性任务

核心思想

将软件工程的分工协作理念，映射到智能体开发中，每个智能体只负责单一、专业的任务节点

通过节点间的标准化流转完成全链路任务，降低单个智能体的复杂度，提升执行稳定性

落地案例

软件工程全流程协同，拆分为需求分析Agent、架构设计Agent、编码Agent、测试Agent，每个节点完成后流转到下一个，最终完成完整的软件项目开发。

核心落地场景与逻辑分类

核心落地场景

DeepResearch（深度调研）

文案生成

Auto Coder（自动编码）

NL2DB（自然语言转SQL）

智能家居、智能座舱

核心是需要多步推理、自主迭代、闭环执行的场景

核心逻辑分类

CoT/简单工作流

附加Function Calling的单次请求

基于SOP的复杂工作流

自规划自主执行

Agentic RAG 实战详解

将Agent的自主规划、工具调用、自我反思能力，与RAG的检索增强能力结合，实现可迭代、可纠错、多轮检索的增强型RAG系统

传统RAG的四大原生痛点

单次检索的效果瓶颈

仅执行一次检索，若初始检索结果质量差，最终生成效果会直接受影响，无纠错与重试机制

查询文档不匹配

用户的query通常是疑问式的口语化表达，而知识库文档多为标准化的陈述句式，语义不匹配导致召回准确率低

推理能力有限

简单RAG流程无法实现多步推理、查询细化、多轮检索，无法处理复杂的多跳问题

上下文窗口约束

检索到的文档必须适配模型的上下文窗口，无法灵活处理超长文档的分批次检索与整合

Agentic RAG核心优势

可制定优化查询

Agent可将用户的原始问题，转换为更适合检索的优化查询语句，解决query与文档不匹配的问题（对应HyDE技术）

可执行多次迭代检索

Agent可根据检索结果的质量，自主决定是否重写query、再次检索，解决单次检索的效果瓶颈

可对检索内容做深度推理

Agent可对多来源、多批次的检索结果进行分析、综合、交叉验证，得出更精准的结论；

可自我批评与迭代改进

Agent可评估检索结果与用户问题的相关性，自主调整检索策略，解决检索结果质量差的问题

核心工作闭环

用户query输入

Agent意图识别

决策是否调用检索工具

执行检索

检索结果相关性评估

结果达标则生成最终答案

结果不达标则重写query，再次进入检索循环，形成完整的闭环执行链路

核心代码

1.知识库准备与预处理

文档切片：使用LangChain的RecursiveCharacterTextSplitter，核心参数chunk_size=500、chunk_overlap=50，采用换行符、句号等作为分隔符，保证切片的语义完整性

2.检索工具标准化定义

-检索器：使用BM25Retriever，核心参数k=10（单次检索返回Top10相关文档），BM25是经典的关键词检索算法，部署简单、检索速度快，可无缝替换为向量检索+混合检索模式；

forward方法：实现检索的核心逻辑，接收query参数，执行检索，返回格式化的文档内容

3.Agent初始化与执行控制

Agent类型：使用CodeAgent，原生支持通过生成代码片段的方式执行工具调用，适配复杂的多步执行场景

行控制：max_steps=4，限制Agent的最大执行步数，避免无限循环与token成本失控

执行逻辑：调用agent.run()方法后，Agent会自动循环调用LLM、执行工具调用，直到调用final_answer工具输出最终结果，全程无需人工干预

 Collect

Get Started

AI Agent 智能体工作流架构图

 Collect

Get Started

企业AI智能体管理平台架构

 Collect

Get Started

AI智能体应用生态系统

 Collect

Get Started

企业级AI智能体编排与治理平台架构图





0 条评论

下一页