深入拆解 Agent 原理：LLM+工具+记忆+规划

1. 深入拆解 Agent 原理：LLM+ 工具 + 记忆 + 规划

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。在淘宝点击搜索框，再退出，再进入就会出现了。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。

1.1. Agent 的核心组成

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）。

1.2. 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：

1.3. 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。

1.4. 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。

1.4.1. 1.4.1- 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 " 的那块短板 ，让它不止能说，还能查、能干、能动。

1.4.2. 1.4.2- 常见的 Agent 工具类型

1.4.3. 1.4.3- 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）。

1.5. 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。

1.5.1. 1.5.1- 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 "。

1.5.2. 1.5.2- 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。

1.5.3. 1.5.3- 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。

1.6. 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。

1.6.1. 1.6.1- 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。

1.6.2. 1.6.2- Plan 的三大关键能力

1.6.2.1. 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 "。

1.6.2.2. 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。

1.6.2.3. 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 "。

1.6.3. 1.6.3- 现实中 Agent 是如何规划的？

当前主流的 Plan 实现方式有四种：

1.6.3.1. 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。

1.6.3.2. 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。

1.6.3.3. 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。

1.6.3.4. 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