一、Agent 核心运行逻辑
核心闭环：感知 → 规划 → 行动 → 再感知，循环迭代完成复杂任务。
二、Agent 三大核心能力
是智能体实现自主运行、复杂任务处理的核心支撑：
工具调用：突破模型原生能力，联动外部工具完成实操类任务
记忆机制：存储、调取对话与任务信息，实现上下文连贯与经验复用
多步推理与纠错：拆解复杂问题、分步推导，支持执行偏差修正
三、Agent 核心架构
四大核心模块协同运作：大语言模型（LLM）、工具系统、记忆系统、规划模块
1. LLM 核心基座
作为Agent的大脑，负责推理、决策、内容生成，核心管控要素：系统提示词（System Prompt）、模型选型、工具调用稳定性、上下文窗口大小。
2. 工具系统
为LLM提供可调用的外部能力，需配置标准化调用描述（description）；支持MCP协议规范，包含三大核心要素：工具（Tools）、资源（Resources）、提示词（Prompts）。
工具本质：配套标准化调用 schema，供 LLM 自主识别、触发调用。
3. 记忆系统
负责信息留存与调取，分为两级记忆：
短期记忆：临时存储当前任务、对话上下文信息
长期记忆：沉淀历史任务经验、用户信息、规则策略，实现能力迭代
4. 规划模块
负责复杂任务拆解与逻辑推演，主流推理框架：
CoT（思维链）：单链路分步推理，线性拆解问题
ToT（思维树）：多分支推演，遍历多种解题路径，择优执行
四、Agent 与 Workflow 核心区别
1. Agent
运行逻辑：思考 → 行动 → 观察 → 再思考动态闭环循环。
核心特点：无固定执行骨架，模型自主决策流程，行为具备不确定性，适配复杂、动态、无固定流程的任务。
2. Workflow（工作流）
核心特点：执行流程骨架由开发者硬编码定义，步骤固定、逻辑可控，运行确定性强，适用于标准化、流程化任务。
五、Workflow 六大经典编排模式
1. Prompt Chaining 提示链（串行流水线）
将复杂任务拆分为多个串行小步骤，以上一步的输出作为下一步的输入，流水线依次执行，层层递进完成任务。适用于步骤依赖强、有固定先后顺序的任务。
2. Routing 路由（智能分流）
由LLM先对用户请求进行分类、判定，再根据分类结果分流至对应的专属处理分支。典型场景：智能客服问题分级处理、需求分类响应。
3. Parallelization 并行化（同步执行）
同时执行多个无冲突、无依赖的子任务，所有子任务执行完成后统一汇总整合结果。适用于多数据源检索、多维度同步分析、批量独立处理类任务。
4. Orchestrator-Workers 编排者-工人模式
设置中央编排节点，统一负责任务拆分、分发、调度；多个Worker节点独立并行执行子任务，最终由编排节点汇总结果。适配体量较大、可高度拆解、子任务相互独立的复杂任务。
5. Evaluator-Optimizer 评估者-优化者模式（高价值易忽略）
双角色LLM闭环协作：一个模型负责内容生成，另一个模型（或同模型切换角色）负责质量评估校验。若输出不达标，将评估反馈回传给生成端，迭代重写优化，实现生成-评估-优化的自修正闭环。
六、Agent 三大主流设计范式（完整总结）
1. ReAct（推理+行动范式）—— 实时推理执行
核心机制：三步循环闭环，边推理、边行动、边迭代
Thought 推理：模型显性梳理逻辑，明确任务目标与工具使用思路，规避盲目决策
Action 行动：基于推理结论，调用对应工具并传入参数，执行具体操作
Observation 观察：接收工具返回的结果，作为下一轮推理的输入，循环往复直至任务完成、输出最终答案
2. Plan-and-Execute（规划执行范式）—— 先规划后执行+动态修正
核心机制：规划与执行完全解耦，支持动态重规划，稳定性更强
全局规划阶段：独立LLM生成完整、细化的分步任务清单，支持人工审核校准
分步执行阶段：执行器严格按照规划清单逐步骤落地执行
动态修正阶段：每一步执行结果反馈至规划器，若执行结果偏离预期、出现异常，自动修改、新增、删减后续任务步骤，适配动态变化场景
3. Reflection（反思质量范式）—— 闭环自校验迭代
在ReAct、Plan-and-Execute基础上，叠加质量校验与复盘优化层，提升输出精准度
基础Reflection：单步骤或全任务完成后，由独立评估LLM校验输出质量，不合格则直接重试生成
进阶Reflexion：不止简单重试，还会复盘生成错题式反思总结，记录失败原因、问题短板与优化方案，将复盘经验带入下一轮生成，实现持续迭代优化