一、什么是AI Agent来自 Lilian Weng翁荔经典定义Agent LLM大模型 memory记忆 planning规划能力 tool use工具调用普通大模型只做问答用户给问题模型直接输出答案没有自主思考、自主执行任务的能力AI Agent智能体以大模型作为大脑具备记忆任务拆解规划调用外部工具的能力可以自主完成一套复杂任务不需要人每一步都下达命令二、AI Agent 四大核心组件组件作用说明LLM大模型大脑Agent的核心控制器 负责思考、推理、决策决定什么时候调用工具 、怎么拆解任务Memory 记忆分为短期记忆会话上下文、长期记忆向量库持久化存储历史信息支持读写、反思记忆记住历史对话、历史任务结果Planning 规划复杂任务拆解成多个字目标包含思维链CoT、自我反思、多路径推理遇到失败可以复盘调整方案Tool use 工具调用调用外部能力搜索、计算器、代码解释器、数据库查询、API 接口弥补大模型本身能力局限扩展框架补充完整 Agent 架构还包含Profile角色人设定义 Agent 身份、性格、任务目标。组件流转流程1.用户输入任务到Agent2.读取记忆结合当前任务做任务规划拆解3.判断是否需要调用工具执行任务4.获取工具返回结果写入记忆反思复盘5.循环迭代直到全部子任务完成最终输出结果多个 Agent 之间还可以互相交互协作Multi‑agent 多智能体三、Agent RAG 的结合应用传统RAG用户提问——直接检索向量库——把文档丢给大模型生成回答Agent‑RAG把 RAG 检索变成 Agent 可调用的其中一个工具由 Agent 自主决策怎么做检索。① Single‑Agent RAG单智能体 RAG整体只有一个 Agent 控制器。用户输入 Query 交给 Retrieval AgentAgent 自主判断调用哪个向量库集合、是否要联网搜索、是否使用计算器工具执行完毕收集全部结果交给 LLM 生成最终回复优点架构简单开发成本低适合中小型业务场景 缺点复杂任务下单一个 Agent 负载高任务多容易混乱② Multi‑Agent RAG多智能体 RAG把能力拆分多个专门 Agent 分工协作总调度 Agent 接收用户问题分发给不同职能子 Agent检索 AgentA 查文档集合 、检索 AgentB 做联网搜索、AgentC 处理邮件 / 办公工具各个子 Agent 独立完成任务结果汇总交给主模型输出答案优点职责拆分每个 Agent 只专注自己的任务复杂场景效果更好可以扩展对接大量异构工具 缺点架构复杂多轮调用 token 消耗高需要处理 Agent 之间通信、任务调度逻辑四、普通 RAG vs Agent‑RAG 对比对比项传统 RAGAgent‑RAG任务处理单次检索一次性生成答案自主规划可以多轮检索、多工具组合调用工具使用固定流程检索逻辑写死代码Agent 自主判断何时用什么工具复杂问题复杂多步骤问题处理弱擅长复杂、多步骤的业务问题开发难度简单较高需要维护 Agent、记忆、规划逻辑资源消耗token 消耗低多轮思考 工具调用token 开销更大可能的面试题1.Agent 和普通RAG的区别答传统 RAG 是固定流水线流程写死Agent 把检索当成工具由大模型自主做决策、任务拆解、多轮循环执行适合复杂多步骤任2.Memory记忆在Agent里面是干什么的答短期记忆存储当前会话山下文了长期记忆把历史任务、经验存入向量数据库。Agent可以读取过往经验做自我反思优化后续任务。3.单Agent和多Agent怎么选型答业务简单直接用 Single‑Agent任务很复杂不同能力模块差异大需要大量不同工具选择 Multi‑Agent。4.Agent项目会遇到哪些工程问题答工具调用失败模型输出格式错误解析失败循环死循环Agent 不停重复调用同一个工具Token 消耗暴涨成本高记忆管理混乱长期记忆过多产生噪声。小结AI Agent 本质是以大模型为大脑给模型加上记忆、规划、工具调用能力让大模型从 “被动问答” 进化成 “主动完成任务”。 RAG 解决大模型知识过时问题Agent 解决大模型不会自主执行复杂任务的问题工程中经常把两者结合构建 Agent‑RAG 系统。