个人知识库

走进 AI Agent

16分钟阅读

title: 走进 AI Agent source: juejin url: https://juejin.cn/post/7670003108343513122 author: 老王以为 captured_from: raw/extracts/20260812-140803/juejin.cn/ai-agent-captured.html date: 2026-08-12

走进 AI Agent

来源：老王以为 · 掘金 抓取说明：原始 baoyu 提取不完整，已从 captured HTML 恢复全文。

一句话总结这篇素材的核心观点：
AI Agent 的本质是“模型与世界的接口”——它不只是更聪明的聊天机器人，而是能看懂任务、调用工具、循环改进的智能系统。

基本信息

核心观点

  1. Agent 的三个词公式：Agent = 决策引擎（LLM）+ 信息视野（Context）+ 执行通道（Tools）——三者缺一不可，共同构成模型与世界的完整接口。
  2. ReAct 循环：Agent 不是一次性完成，而是通过“思考（Thought）→ 行动（Action）→ 观察（Observation）”三步循环往复，直到任务完成。轨迹（Trajectory）记录了完整执行过程，具有极高的可解释性和可调试性。
  3. 三大组件深度剖析：
    • 工具：Agent 的“手脚”，形态包括预定义工具、按需加载的技能、动态生成的代码、子 Agent 协作。
    • LLM：Agent 的“大脑”，能力来自预训练 + 后训练，后训练（SFT + RL）是让模型学会决策策略的关键。
    • 上下文：Agent 的“信息视野”，不是简单输入文本，而是精心设计的多层信息架构（系统提示、工具定义、用户记忆、领域知识、任务轨迹等）。
  4. Harness 工程：围绕模型构建的工程层（上下文管理、工具调度、约束与验证、可观测性），是决定 Agent 能否可靠工作的核心。模型决定上限，Harness 决定下限。
  5. 安全护栏：Agent 安全不是上线前补丁，而是从第一行代码就要嵌入的架构问题，包括输入侧、执行侧、输出侧三层护栏 + 人工干预（Human-in-the-Loop）。

实操内容保留

（本文为知识型文章，无可直接复用的代码块、Prompt 模板或分步教程。）

关键概念

与其他素材的关联

本文与 Agent Harness（Harness 工程）和 Agent Loop 智能体循环（ReAct 循环）在“Agent 运行机制”上高度重合，是理解 Agent 能力提升的连续论述。

原文精彩摘录

“Agent 不是更聪明的聊天机器人，而是一个能’看懂任务、调用工具、循环改进’的智能系统——它的本质是模型与世界的接口。”

“好的工具设计，就像好的 API 设计——简单、清晰、可组合、可恢复。”

“Agent 工程的核心，就是不断扩展模型与世界的接口边界。”

相关页面

AI Agent 智能体

一句话描述这个实体是什么：AI Agent 是模型与世界的接口，是由决策引擎（LLM）、信息视野（Context）和执行通道（Tools）组成的智能系统。

简介

AI Agent 不是简单的对话机器人，而是能自主规划任务、调用工具、循环改进的智能实体。它代表了人机交互的范式跃迁：从“人学会操作机器”到“机器学会理解人”。在 Claude Code、千问、豆包等产品中，Agent 已经隐形存在于日常使用中。

关键信息

  • 类型：概念
  • 领域：AI 智能系统
  • 官方网站/地址：无统一官网
  • 定价/开源状态：框架级开源（LangGraph、CrewAI 等）

核心特性

定义

AI Agent 是 LLM 作为决策引擎，通过精心设计的上下文（信息视野）和工具（执行通道）形成的闭环智能系统。其本质是“模型与世界的接口”。

核心组成

  • 决策引擎：LLM（预训练 + 后训练）
  • 信息视野：多层上下文架构（系统提示、工具定义、轨迹等）
  • 执行通道：工具（预定义、按需加载、动态代码、子 Agent）

典型应用

编程辅助、研究助手、自动化流程、复杂任务分解

常见误区

  • 误以为 Agent = 更强的模型（其实 Harness 更关键）
  • 误以为单次对话就是 Agent（必须 ReAct 循环）
  • 忽视 Harness 工程（模型决定上限，Harness 决定下限）

不同素材中的观点

  • 2026-08-12-ai-agent（本文）：提出 Agent = 决策引擎 + 信息视野 + 执行通道的公式，强调 ReAct 循环、Harness 工程、安全护栏是 Agent 能力的关键。

实用信息

快速上手步骤

  1. 理解 Agent = LLM + Context + Tools 公式
  2. 选择合适框架（LangGraph、CrewAI、AutoGen 等）
  3. 设计清晰的工具定义和上下文结构
  4. 嵌入 Human-in-the-Loop 安全机制

常用提示词/命令

  • 设计 ReAct 提示：你是一个优秀的思考者、行动者、观察者。思考后行动，观察结果后继续思考。
  • 工具调用格式示例（JSON 模式）

注意事项/避坑指南

  • 上下文管理是核心（相关性优先，避免冗余）
  • Harness 工程比模型更重要
  • 安全从第一行代码开始（三层护栏 + 人工干预）

相关页面

Agent Harness

一句话描述这个实体是什么：Harness 是围绕 LLM 构建的工程层，负责上下文管理、工具调度、约束与验证、可观测性，是决定 Agent 能否可靠工作的关键层。

简介

Harness 工程是 Agent 工程的“马具”——把 LLM 这匹烈马安全、可控、高效地驾驭起来。它包括上下文管理、工具调度、约束与验证、可观测性四大职责。模型决定上限，Harness 决定下限。

关键信息

  • 类型：概念
  • 领域：Agent 工程
  • 官方网站/地址：无统一
  • 定价/开源状态：框架级开源

核心特性

定义

Harness 是围绕 LLM 构建的工程层，负责管理 Agent 的上下文、调度工具、约束行为、提供可观测性。

四大职责

  1. 上下文管理：精选、压缩、动态更新信息架构（系统提示、工具定义、轨迹等）
  2. 工具调度：动态加载、并行调用、重试机制
  3. 约束与验证：输入过滤、工具风险评级、输出审查
  4. 可观测性：轨迹日志、成本统计、失败归因、行为监控

典型应用

Claude Code、Cursor、Perplexity、LangGraph 等 Agent 框架的核心基础设施

不同素材中的观点

  • 2026-08-12-ai-agent：Harness 决定下限，模型越来越自主，Harness 工程反而更重要（模型决定上限，Harness 决定下限）。

相关资源

  • Harness 工程是 Agent 工程最核心的部分
  • 未来 Agent 框架会进一步抽象 Harness 层

ReAct 循环

一句话描述这个实体是什么：ReAct 循环是 Agent 的核心运行机制，通过“思考（Thought）→ 行动（Action）→ 观察（Observation）”三步循环，生成完整的轨迹（Trajectory），实现多步自主推理与执行。

简介

ReAct 循环是 2022 年提出的 Agent 核心范式：让模型交替“想”和“做”，生成结构化的轨迹。轨迹是完整的执行记录，具有极高可解释性和可调试性，是 Agent 从单次对话进化到自主智能系统的灵魂。

关键信息

  • 类型：概念
  • 领域：Agent 算法
  • 官方网站/地址：LangChain ReAct 论文
  • 定价/开源状态：开源

核心特性

定义

ReAct 循环 = Reasoning + Acting（推理 + 行动）。模型在每轮迭代中输出思考、行动、观察三元组，累积成完整轨迹。

三步循环

  1. 思考（Thought）：基于当前轨迹推理下一步
  2. 行动（Action）：决定调用工具、传参数
  3. 观察（Observation）：工具结果回流，继续下一轮

轨迹结构

[
  {"role": "user", "content": "任务描述"},
  {"role": "assistant", "reasoning": "...", "action": [...]},
  {"role": "tool", "content": "工具结果"},
  ...
]

典型应用

Claude Code、LangGraph、CrewAI 等框架的核心执行引擎

不同素材中的观点

  • 2026-08-12-ai-agent（本文）：ReAct 循环是 Agent 动态运行的核心，轨迹是可解释性和可调试性的关键。

相关资源

Agent Loop 智能体循环

一句话描述这个实体是什么：Agent Loop 智能体循环是 ReAct 循环的工程化实现，围绕上下文累积性、消融实验和轨迹回放，构建可监控、可优化的多步自主循环。

简介

Agent Loop 是 ReAct 循环的完整工程化形态。它强调上下文的累积性（每次 LLM 调用都能看到完整轨迹）、消融实验（拿掉组件看系统会怎样）以及轨迹作为核心资产。

关键信息

  • 类型：概念
  • 领域：Agent 工程
  • 官方网站/地址：LangGraph、CrewAI 等框架
  • 定价/开源状态：开源

核心特性

上下文累积性

每次 LLM 调用都能看到完整轨迹，让模型理解任务阶段和之前尝试。

消融实验

通过拿掉组件（工具结果、思考过程、历史轨迹）观察系统行为，验证组件必要性。

轨迹价值

不仅是执行记录，更是优化素材、训练数据和闭环优化的核心资产。

不同素材中的观点

  • 2026-08-12-ai-agent：轨迹是 Agent 能力的体现，通过分析轨迹可以总结行为模式、优化决策路径。

相关资源

  • LangGraph 官方文档
  • Agent Loop 工程化实践

Agent安全护栏

一句话描述这个实体是什么：Agent安全护栏是从架构层面嵌入的三层防御（输入侧、执行侧、输出侧）+ 人工干预机制，确保 Agent 行为安全可控。

简介

Agent 安全不是上线前补丁，而是从第一行代码就要嵌入的架构问题。Agent 自主性越高，安全风险越大，需要更完善的护栏。

关键信息

  • 类型：概念
  • 领域：Agent 安全
  • 官方网站/地址：Anthropic、OpenAI 等公司研究
  • 定价/开源状态：框架级开源

核心特性

三层护栏

  1. 输入侧：安全分类器、基于规则过滤、内容审核
  2. 执行侧：工具风险评级、人工干预
  3. 输出侧：PII 过滤器、事实核查

人工干预

高风险操作、低置信度决策、合规要求场景的最后一道防线。

不同素材中的观点

  • 2026-08-12-ai-agent：安全是架构问题，护栏贯穿模型、上下文、工具、协作、社会五个层面。

相关资源

  • Prompt Injection 防御
  • Constitutional Classifiers
  • Human-in-the-Loop 设计

AI Agent 智能体

一句话概括这个主题的核心问题或方向：AI Agent 工程的核心是不断扩展模型与世界的接口边界，从提示工程到 Graph 工程的范式跃迁，以及 Harness 工程的决定性作用。

核心观点

  1. Agent 的三个词公式：Agent = 决策引擎 + 信息视野 + 执行通道（2026-08-12-ai-agent）
  2. ReAct 循环：Agent 的动态运行机制，通过轨迹实现多步自主推理（2026-08-12-ai-agent）
  3. Harness 工程：模型之外的真正竞争力，决定 Agent 的下限（2026-08-12-ai-agent）
  4. 安全护栏：安全是架构问题，三层护栏 + 人工干预（2026-08-12-ai-agent）
  5. 范式演进：从提示工程到 Graph 工程，接口边界是真正杠杆（2026-08-12-ai-agent）

知识体系

子方向 1：Agent 核心组件

  • 决策引擎（LLM 后训练）
  • 信息视野（上下文工程）
  • 执行通道（工具形态与设计）

子方向 2：运行机制

  • ReAct 循环与轨迹
  • 消融实验与可解释性

子方向 3：Harness 工程

  • 上下文管理、工具调度、约束与验证
  • 可观测性

子方向 4：安全与治理

  • 三层护栏
  • 人工干预
  • 合规与风险

素材汇总

素材核心贡献详见
2026-08-12-ai-agentAgent 公式、ReAct 循环、Harness 工程、安全护栏的核心论述2026-08-12-ai-agent

综合分析

不同素材的交叉视角

本文与其他 Agent 素材（如 Agent Harness、ReAct 循环）在同一主题下高度一致，共同构建了 Agent 能力提升的连续论述。

趋势与判断

Agent 能力提升的真正杠杆是接口边界扩展而非单纯模型能力。Harness 工程的重要性在“模型即 Agent”趋势下不降反升。

未解决的问题

（暂无）

相关页面

关系图谱

快速导航