2025Agent概述 | luxinfeng’s home

type

status

date

summary

slug

智能体特征

智能体 是一种能够感知环境并采取行动以实现特定目标的系统。它是从传统大语言模型（LLM）演化而来，具备规划、工具使用和环境交互等能力。它遵循一个简单的五步循环来完成任务：

获取任务目标：你给它一个目标，比如“帮我安排日程”

扫描环境信息：它会收集所有必要的信息——阅读邮件、检查日历、访问联系人——以了解当前状况。

制定计划：它会思考并制定实现目标的最佳方案。

执行行动：它会发送邀请、安排会议、更新你的日历来落实计划。

学习与优化：它会观察结果并不断调整。例如，如果会议被重新安排，系统会从中学习以提升未来表现。

智能体发展历程

核心推理引擎

LLM 本身并不是智能体，但可以作为基础智能体系统的推理核心。在“Level 0”配置下，LLM 不具备工具、记忆或环境交互能力，仅依靠预训练知识进行响应。它擅长解释已知概念，但完全无法感知最新事件。例如，如果 2025 年奥斯卡最佳影片不在其训练数据中，它就无法回答。

连接型问题解决者

此阶段，LLM 通过连接外部工具成为真正的智能体。它的问题解决能力不再局限于预训练知识，而是能执行一系列操作，从互联网（搜索）或数据库（RAG）等渠道收集和处理信息。

例如，查找新电视剧时，智能体会识别需要最新信息，使用搜索工具获取并整合结果。它还能调用专业工具提升准确率，比如通过金融 API 获取 AAPL 的实时股价。跨步骤与外部世界交互，是 Level 1 智能体的核心能力。

战略型问题解决者

此阶段，智能体能力大幅提升，具备战略规划、主动协助和自我优化，提示工程与上下文工程成为核心技能。

首先，智能体不再只用单一工具，而是通过战略性问题解决应对复杂多步骤任务。执行过程中，它主动进行上下文工程：即为每一步战略性筛选、打包和管理最相关的信息。例如，查找两地之间的咖啡馆，智能体先用地图工具获取信息，再将输出内容（如街道名列表）精简后传递给本地搜索工具，避免信息过载，确保高效准确。要让 AI 达到最高准确率，必须提供简短、聚焦且高效的上下文。上下文工程正是通过战略性筛选和管理关键信息，实现模型注意力的有效分配。

这一阶段还带来主动、持续的操作。例如，旅行助手连接邮箱后，会从冗长的航班确认邮件中提取关键信息（航班号、日期、地点），再打包给日历和天气 API。

在软件工程等专业领域，智能体通过上下文工程管理整个工作流。收到 bug 报告后，它会读取报告和代码库，并将大量信息精炼为高效上下文，从而高效编写、测试和提交正确的代码补丁。

协作型多智能体系统崛起

Level 3 标志着 AI 开发范式的重大转变，不再追求单一超级智能体，而是发展复杂的协作型多智能体系统。该模式认为，复杂挑战往往不是由单一通才解决，而是由多个专业团队协作完成。这与人类组织结构高度相似，不同部门分工协作，共同实现多元目标。系统的集体优势正是通过分工与协同实现的。

以新产品发布为例，不是一个智能体包揽所有环节，而是由“项目经理”智能体统筹，分派任务给“市场调研”、“产品设计”、“营销推广”等专业智能体。成功的关键在于各智能体之间的高效沟通与信息共享，确保所有努力协同达成共同目标。

智能体架构分层概览

Agent 的系统架构可以被抽象为四层：

Prompt 层 —— 结构化输入输出与模板化生成。

Context 层 —— 动态上下文窗口与 RAG 检索增强。

Tool 层 —— MCP 协议下的语义化工具体系。

Agent 层 —— 规划、记忆与多智能体协作。

结构化提示词工程（Prompt Engineering）

结构化提示词工程的目标，是让模型输出可靠、可解析、可验证的结构化结果。

提示词工程已从“艺术”转变为“工程化流程”，其关键是定义模板、输入输出规范与路由逻辑。

结构化输入输出

通过采用 JSON/YAML 等结构化格式，并结合 schema 验证输出质量，可以提升模型的可控性。例如 Spring AI 与 LangChain 中的 Structured Output Converter：

{
  "role": "planner",
  "task": "analyze_user_requirement",
  "constraints": ["output as JSON", "max 3 bullet points"]
}

动态模板化与示例驱动（Few-Shot）

动态注入上下文（如用户输入、系统状态），结合示例强化输出一致性，是提升模型表现的常用方法。如下模板所示：

在 LangChain 中，可通过 PromptTemplate 与 OutputParser 实现上述流程。

提示词路由与链式设计（Prompt Chaining）

对于复杂任务，通常需要多阶段拆解，提示词在不同阶段路由至不同子 Agent 或工具。下图展示了典型的链式结构：

这种链式结构在 LangGraph 中被正式模型化为“有向状态图（Directed Graph of Agents）”。它不仅描述执行流程，还能在任意节点插入工具调用或人类审查（HITL）。

上下文工程与 RAG 管道

上下文工程（Context Engineering）是让模型在有限窗口中选择最有价值信息的艺术与科学。它决定了模型的推理能力、可靠性与成本。

上下文窗口的构成

一个完整的 Prompt 通常包含以下三类上下文：

系统上下文（System Context）：角色、任务、约束；

动态上下文（Dynamic Context）：用户输入、时间、历史记忆；

外部知识（External Context）：RAG 检索、数据库查询、工具响应。

下图展示了上下文窗口的组成：

在实际工程中，LangChain 的 Context Compression、Claude 的 Context Packing、Copilot 的滑动窗口等，都是对这一思想的不同实现。

检索增强生成（RAG）策略

RAG（Retrieval-Augmented Generation，检索增强生成）是智能体可靠性工程的核心。它将知识检索嵌入模型推理链路。常见的策略层级如下表所示：

层级	技术	示例
L1	Keyword / BM25 检索	Elasticsearch, ripgrep
L2	向量语义检索	text-embedding-3-large
L3	混合检索（Hybrid）	BM25 + Embedding
L4	GraphRAG / CodeRAG	Graph-based 调用关系
L5	Agentic RAG	由 Agent 决定检索策略

LangGraph 的 Agentic RAG 模型与 Claude Code 的“contextual deep scan”实质上都属于 L5 层级：由 Agent 自主规划检索与重排序。

语义化工具系统与 MCP 协议

语义化工具系统是 Agent 的“手”。现代 Agent 已不再硬编码工具接口，而是通过 Model Context Protocol（MCP） 进行动态注册与调用。MCP 让模型以标准化格式理解工具的语义描述。

下图展示了 MCP 工具网络的结构：

这一模式在 Claude Code Plugin、GitHub Copilot MCP、LangChain ToolNode 等系统中均有体现。它们通过统一接口（如 schema + description + parameters）实现跨 Agent、跨平台的函数调用。

Agent 规划与多 Agent 协作体系

单体 Agent 智能有限，而 多 Agent System（MAS, Multi-Agent System） 提供了“智能的横向扩展”。它让不同角色的 Agent 形成协作组织，从而解决复杂问题。

下表总结了常见的多 Agent 协作拓扑：

模式	特点	适用场景
主管–专家（Hierarchical）	管理与分工清晰	软件开发、研究报告
并行（Swarm）	多 Agent 并行探索	多路径搜索、评估
流水线（Pipeline）	顺序化任务执行	数据清洗、报告生成
网络型（Graph-based）	动态通信	自动规划、知识图