Skip to main content

9.1.1 Agent 基础路线图：目标、状态、行动

Agent 不是一个模型名称，而是一种系统模式：围绕目标组织模型、工具、状态、记忆和反馈，让系统能持续推进任务。

先看单 Agent 闭环​

Agent 基础位置桥接图

Agent 基础章节学习顺序图

单 Agent 执行闭环图

普通聊天机器人回答一次，工作流执行固定步骤。Agent 可以计划、行动、观察、更新状态，并在目标未完成时继续。

跑一个极小 Agent 状态闭环​

这个脚本还不会调用模型，但会展示 Agent 可调试前至少需要哪些状态。

goal = "summarize RAG citation rules"
state = {"steps": [], "done": False}

for action in ["plan", "search_docs", "summarize"]:
    state["steps"].append(action)

state["done"] = True

print("goal:", goal)
print("steps:", " -> ".join(state["steps"]))
print("done:", state["done"])

预期输出：

goal: summarize RAG citation rules
steps: plan -> search_docs -> summarize
done: True

如果一个 Demo 不能展示目标、状态、行动、观察和停止条件，先把它称为大模型应用，而不是 Agent。

按这个顺序学​

步骤阅读实操产出
1什么是 Agent比较聊天机器人、工作流、RAG 应用和 Agent
2发展历史理解为什么 LLM 让 Agent 系统重新升温
3能力等级把回答、检索、工具、规划、记忆、协作放到同一条能力阶梯
4系统架构画出目标、状态、规划器、工具、记忆、观察和执行器
5RL 到 Agent 的突破连接行动、奖励、反馈和规划

通过标准​

如果你能画出一个单 Agent 闭环，并解释为什么单 Agent 稳定性要先于多 Agent 协作，就通过了本章。

本章出口小项目是一份研究助手 Agent trace：一个目标、一个计划、至少一个工具决策、一次观察、一个停止条件和一个最终回答。