AI Agent 概念雏形源于哲学领域，早期哲学家构想的能与环境互动的自主意识实体，为它埋下思想种子。20世纪50年代，阿兰·图灵提出图灵测试，“Agent”进入人工智能领域，指具有感知、决策、行动的人工实体。
近年，大模型成为AI Agent发展关键转折点，它以海量参数和深度学习能力革新底层架构，赋予 AI Agent 超强自然语言理解与生成力，助其摆脱领域限制，应对多样任务。
#1.1四大关键组件协同
AI Agent 的基础架构由规划、记忆、工具和行动四大关键组件紧密咬合而成。
- 记忆模块：包括短时记忆和长期记忆，是运行的基础，用于存储和调用信息，帮助 Agent 在不同情境下做出决策和行动。
- 工具使用：利用多种工具，如日历、计算器、代码解释器、搜索等，来辅助完成任务，这些工具为 Agent 提供了额外的能力和信息获取渠道。
- 规划能力：借大模型推理能力，通过反映、自我批评、思想链和子目标分解等方式，把复杂任务拆为子任务，规划最优路径。
- 行动执行：贯彻规划指令，调动资源执行操作，基于记忆、工具和规划，Agent 最终执行具体的行动，以实现目标。
#1.2运作流程与智能决策
AI Agent 的运作流程涵盖感知、理解、决策、行动与反馈多个关键节点。
- 信息输入与记忆存储：Agent 首先接收外部信息，部分信息会存储在短时记忆中，重要或需要长期使用的信息会进入长期记忆。
- 工具调用：当面临任务时，Agent 会根据需要调用相应的工具，例如需要计算时调用计算器，需要查找信息时使用搜索功能等。这些工具的使用结果会进一步丰富 Agent 的信息储备和决策依据。
- 规划阶段：
- 反映：Agent 对当前任务和已有信息进行初步的反应和思考，了解任务的大致情况和要求。
- 自我批评：Agent 会对可能的行动方案进行自我评估，分析其优缺点，以优化决策。
- 思想链：通过一系列的逻辑思考和推理，形成解决问题的思路和步骤，类似于人类思考问题时的思维链条。
- 子目标分解：将复杂的任务分解为多个子目标，使任务更具可操作性和可管理性。
- 行动执行：根据规划阶段确定的方案和步骤，Agent 采取具体的行动，在行动过程中，可能会继续与记忆和工具交互，以确保行动的有效性和适应性。
Agent（智能体）=LLM（大模型）+ Planning（规划）+Memory（记忆）+ Tools（工具）。
当这些要素具备了，而且之间有明确的连接关系之后，那么一个 Agent 也就形成了。
