Agent 的基本抽象是什么

一句话速记

LLM Agent 是在环境中通过多步**的「选行动 → 执行 → 观察结果 → 再决策」闭环完成目标的系统；核心构件通常含：工具/函数、状态与记忆、规划或启发式选工具，可选 多智能体。

和相邻概念划界

概念	行为方式	典型用途
单次补全 / chat	一轮或固定多轮，无对外可执行「行动」与环境反馈	问答、摘要
提示链 / Chain	预定义步骤顺序、每步可调用 LLM，步骤本身不变	固定流程任务
有向无环图工作流	人工或配置定好分支、节点，运行时按图走	稳定业务编排
Agent	在未完全预设的搜索空间里动态选动作（常含工具名与参数），依环境观测迭代	查库、调 API、多步信息搜集与提交

本质差别：行动空间是否开放、反馈是否进下一轮推理、终止条件是否由目标与观测共同决定。

常见最小环路（抽象）

1. 读目标 + 当前上下文/记忆
2. 模型输出 下一步动作（含工具与参数或自然语言到工具的映射）
3. 环境或工具层执行，得到 Observation（成功、报错、自然语言结果、结构化数据）
4. 将 Observation 写回上下文（含失败），回到 2，直到停词、无可用动作或达目标

（实现上可同步或异步、可有并发与子目标，概念上仍是「环」。）

与「自主」程度

• 弱：只允许从若干固定「技能包」里选，且每步都强模板约束。
• 中：ReAct/工具循环，步级再决策。
• 强：显式规划、自 critic、多智能体分工与争论（工程上代价与不可控性同步上升）。

延伸追问

• Q：Agent 一定要工具调用吗？
  答：不必叫「Tool」——只要存在可改变外部状态/获取外部信息的动作（写文件、发 HTTP、点 UI），就算；纯「在脑子里多步链式思考」若无外反馈，更偏 CoT 模拟，不叫完整 Agent 闭环（除非明确定义内部环境）。

• Q：RAG 是 Agent 吗？
  答：RAG 是查库再答的管线；一次 retrieve + 生成 = 通常不算 Agent。若 多轮检索、改写 query、看中间结果再决定下一步，则进入 Agent 或 Agentic RAG 范畴。

• Q：和强化学习里 Agent 的关系？
  答：词同源：感知-行动-奖励/反馈；大模型 Agent 的「策略」用 LLM+提示 近似，不必然用 RL 训练，但概念框架可类比。

我的记法

TODO

状态

• 已背速记
• 能讲通俗版
• 能答追问

参考资料

• 综述与工业实践：多来自工具调用规范（如函数调用 schema）、ReAct/AutoGPT 类论文与产品文档的归纳，无单一必读书。