「AI Agent」什么是 AI Agent？

0 前言

本文内容整理自公众号「小林面试笔记」的文章 1. 什么是 Agent？与大模型有什么本质不同？，用于记录与总结 AI Agent 相关的核心面试知识点。

1 什么是 Agent？与大模型有什么本质不同？

1.1 回答

Agent（智能体）的本质是一个「自主闭环」的执行系统——它以 LLM 为大脑，以工具调用、记忆机制、多步推理与自我纠错的核心能力，通过「感知 → 规划 → 行动 → 再感知」的循环，自主完成复杂任务。

传统 AI / 普通大模型：你问它一个问题，它回答一个问题，每次调用都是独立的、被动响应的。它只是基于训练知识做问答，不知道上一步做了什么，也不知道下一步该做什么。
AI Agent：你只需要给它一个目标，它会自己把任务拆解成多步，通过 调工具、访问记忆、感知环境 一步步执行，直到目标完成。它不只是输出文字，而是能完成任务。

1.2 普通大模型的三大局限

普通大模型主要有三大局限：

知识被冻结：模型的训练数据有截止日期，你问它今天的天气、最新的股价，它完全不知道，因为它没有任何途径去获取实时信息。
不能行动：你让它帮你发邮件、帮你查数据库、帮你执行一段代码，它只能告诉你「你可以这样做」，但它自己做不到。因为普通大模型本质上就是一个文本生成器，所有输出都是一串文字。
没有持续状态：就算你想让它帮你做一件稍微复杂点的事，比如「先查资料再整理成报告」，它也干不了。每次调用之间它是完全失忆的，除非你手动把之前的对话塞进去，不然它根本不记得上一轮说了什么，更别说跨任务去记住你的偏好了。

这三个局限一环扣一环：知识是死的，手脚是没有的，记忆也是断的。加在一起，意味着普通 LLM 只能做「一问一答」的事情，稍微复杂一点的、需要多步骤协作的任务，它就完全无能为力了。

普通大模型的三大局限

1.3 Agent 特别在哪：感知 -> 规划 -> 行动 -> 再感知

AI Agent 有一个核心的运作闭环：

感知 -> 规划 -> 行动 -> 再感知

Agent 的核心运作闭环

你给它一个目标，比如「帮我调研竞品然后整理成报告」，它不是直接输出一段文字了事，而是先拆解任务，我要搜索哪些关键词、我要访问哪些网站、我要怎么组织内容，然后一步一步去执行，每一步的结果又反馈回来，指导下一步怎么做。

Agent 自主执行任务

Agent 多步执行示例

2 Agent 的三项核心支撑能力

2.1 工具调用（Tool Use）：从「说话」变成「做事」

工具调用（Tool Use） 是让 Agent 从「说话」变成「做事」的关键。Agent 能调用外部工具，比如搜索引擎、代码执行器、数据库、API 等等。

不过这里有一个容易误解的地方：不是模型自己执行，而是模型「告诉你该调什么」，你的代码去真正执行，结果再反馈给模型。模型始终只是大脑，不是手脚。模型始终只是大脑，不是手脚。

为什么工具调用如此重要？因为它一下子突破了前面说的三大局限：

知识被冻结？接上搜索引擎，模型就能获取实时信息。
不能行动？接上邮件 API、代码执行器，模型就能真正做事。

这就好比一个人原来只能用嘴说话，现在给他配了手、脚和各种工具，能力上限瞬间拔高了一个量级。

举个最具体的例子。假设你给 Agent 配了两个工具：查天气和发邮件，然后让它「帮我查一下北京天气，发邮件给老板」：

# 这里定义了两个工具，就像给 Agent 配了两个「技能说明书」
# 注意：这里没有一行真正执行的逻辑，只是告诉模型「我有哪些能力、需要哪些参数」
tools = [
    {
        "name": "get_weather",
        "description": "获取指定城市的当前天气",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称"}
            },
            "required": ["city"]
        }
    },
    {
        "name": "send_email",
        "description": "发送邮件给指定收件人",
        "parameters": {
            "type": "object",
            "properties": {
                "to": {"type": "string"},
                "subject": {"type": "string"},
                "body": {"type": "string"}
            },
            "required": ["to", "subject", "body"]
        }
    }
]

# 你告诉 Agent："帮我查一下北京天气，然后发邮件给 boss@company.com"
# Agent 不是一次性回答，而是分两步真正执行：
# 第一步：调用 get_weather(city="北京") → 得到 "晴天 15°C"
# 第二步：调用 send_email(to="boss@company.com", subject="今日天气", body="北京今天晴天 15°C")
# 每一步都是真实发生的，不是在"假装"

工具定义里没有一行执行逻辑，只有「名字、描述、需要哪些参数」，本质上就是一份说明书。模型读了这份说明书，自己决定该调哪个工具、参数填什么，然后把决策以 JSON 格式告诉你，真正执行的还是你的代码。这个「决策和执行分离」的思想，是理解工具调用最核心的一点。

工具调用：决策和执行分离

2.2 记忆机制：短期记忆 + 长期记忆

理解了工具调用之后，你会发现 Agent 光有「做事」的能力还不够，它还得「记事」。

传统 LLM 每次对话都是「失忆」的，除非你手动传上下文，不然它完全不记得上一次说了什么。而 Agent 系统通常会设计短期记忆和长期记忆两层：

短期记忆：当前任务执行过程中的中间状态，比如第一步搜索到了什么、第二步计算结果是多少，这些都存在 上下文 里，保证 Agent 不会做到一半忘了前面发生了什么。
长期记忆：跨任务的，比如用户的偏好、历史操作记录，可以用 向量数据库 来存储，需要的时候做语义检索拿回来。也可以构建一个以 Markdown 为存储文件的长期记忆系统。

有了这两层记忆，Agent 在执行复杂任务时才能保持连贯性，不会走着走着忘了目标是什么。

Agent 的记忆机制