一篇搞懂 AI Agent 系统设计的核心概念： • Agent（智能体）：不只是回答问题，还能调用工具、执行任务的 AI 系统。 • LLM（大语言模型）… · @UPing123zzz · TwKit

@UPing123zzz

一篇搞懂 AI Agent 系统设计的核心概念： • Agent（智能体）：不只是回答问题，还能调用工具、执行任务的 AI 系统。 • LLM（大语言模型）：Agent 的大脑，负责理解、推理和决策。 • Prompt（提示词）：告诉 AI 要做什么、怎么做。 • System Prompt（系统提示词）：规定 AI 的角色、职责和行为边界。 • Tools（工具）：Agent 的手脚，比如搜索、浏览器、代码执行和 API。 • Function Calling（函数调用）：让模型能够按照规定格式请求使用外部工具。 • Memory（记忆）：保存历史信息，让 Agent 不必每次都从零开始。 • Context Window（上下文窗口）：模型一次能处理多少信息。 • Planning（任务规划）：把复杂目标拆成多个可执行的小任务。 • Reasoning Loop（推理执行循环）：判断下一步、调用工具、检查结果、继续执行。 • Reflection（自我反思）：检查执行结果，发现问题并尝试修正。 • RAG（检索增强生成）：先查外部知识，再结合证据回答，减少凭空编造。 • Embedding（向量嵌入）：把文本转成向量，让机器可以计算语义相似度。 • Vector Database（向量数据库）：专门存储和检索向量的数据库。 • MCP（模型上下文协议）：让 AI 应用以标准化方式连接外部工具和数据。 • Orchestrator（编排器）：负责分配任务、协调流程和管理执行顺序。 • Multi-Agent（多智能体）：多个 Agent 分工协作，共同完成复杂任务。 • Sub-Agent（子智能体）：主 Agent 调用的辅助智能体，专门处理某个子任务。 • Guardrails（安全护栏）：限制 AI 的行为，防止越权、泄露和危险操作。 • Human in the Loop（人工介入）：付款、删除、发布等关键操作交给人确认。 • Evals（效果评测）：用测试集和指标验证 Agent 是否真的完成任务。 • Observability（可观测性）：通过日志、链路和指标追踪 Agent 的执行过程。 • Latency（延迟）：从接收任务到返回结果需要多长时间。 • Token Cost（Token 成本）：模型处理任务所消耗的 Token 及对应费用。 • State Management（状态管理）：任务中断后，能否恢复之前的执行进度。 • Retry（重试机制）：工具或接口调用失败后，如何自动重试。 • Fallback（降级机制）：模型或工具不可用时，如何切换备用方案。 • Structured Output（结构化输出）：让 AI 按照指定 JSON Schema 等格式输出结果。 • Checkpoint（检查点）：保存关键执行状态，方便恢复和排查问题。 • Idempotency（幂等性）：重复执行同一个操作，不会产生重复扣款等副作用。 • Tool Permissions（工具权限）：明确 Agent 可以访问哪些数据、执行哪些操作。 • Human Approval（人工审批）：高风险操作必须获得明确授权才能继续。 • Agent Handoff（智能体交接）：一个 Agent 将任务和必要上下文移交给另一个 Agent。 • Workflow（工作流）：按照预设规则组织任务步骤，保证执行过程可控。 最后我觉得有一句话特别重要：Chatbot 解决的是怎么回答，Agent 解决的是怎么执行，而 Agent Engineering 解决的是怎么让它稳定、可靠、可验证地执行。 会调用大模型只是入门，能把 Agent 真正交付到业务场景里，才是工程能力。

曝光 666 · 评论 0 · 点赞 9 · 书签 7