Agentic AI 架构入门二AI Agent 的定义、原则与决策框架课程《Agentic AI Architectures with Patterns, Frameworks and MCP》笔记整理第 28–65 页1. 什么是 AI Agent1.1 直觉它是「数字员工」Agent不是工具是「数字员工Digital Employee」——你给它一个目标Goal它有技能工具/API它自主工作达成目标。1.2 正式定义Agentic Loop智能体循环Agent 不断重复三步循环**感知Perceive**其环境**推理Reason**做决策行动Act自主地达成目标1.3 Agent 的 4 大原则原则中文核心含义关键对比1. Goal-Driven目标驱动Agent 由目标定义而非指令脚本“下午 5 点跑这个报表” vs Agent“确保高管团队每天早晨拿到最新销售数据”2. Autonomy自主性无需逐步人工干预自己决定怎么做告诉开发者做什么功能而不是敲哪几行代码——告诉它 WHAT不是 HOW3. Reactivity反应性能响应环境变化世界是动态不可预测的脚本调 API 遇 500 错误→崩溃Agent感知错误→推理→应对4. Pro-activeness主动性不只被动反应还能主动预见反应式“磁盘满了” vs 主动式“磁盘 90% 了我正在主动归档旧日志防止崩溃”汇总公式AI Agent 目标驱动 自主性 反应性 主动性它不是脚本也不只是 LLM而是一种新型软件组件能代表我们行动。2. Agent 如何使用生成式 AI2.1 生成式 AI vs Agentic AI核心区别维度Generative AIAgentic AI角色反应式系统Reactive主动式系统Proactive触发等待用户 Prompt一个目标常来自初始提示功能生成内容通过一系列行动追求目标机制复杂的模式匹配持续的「生命周期」/循环输出文本、图片、代码、音频行动结果关键局限它的工作在「生成」那一刻就结束了以最少人工干预持续运转2.2 共同基础LLM生成式 AI 里LLM 是主干backboneAgentic AI 里LLM 是推理引擎Reasoning Engine——Agent 决策的大脑2.3 应用对比策展人 vs 经理生成式 AI 「策展人Curator」YouTuber 创作视频——写脚本→AI 建议修改→人类优化提示→AI 建议缩略图→人类选择。每一步都有人类在场Agentic AI 「经理Manager」自主购物 Agent——主动跨平台找货→实时监控价格波动→用工具完成结账→协调配送。全程无需人类插手2.4 深层连接LLM 是 Agent 的「思考」Agent 怎么「决定」做什么→ 用 LLM 的推理能力。关键机制思维链 Chain of Thought (CoT)——把复杂任务拆成小步骤逐步思考。3. 何时该用 Agent3.1 核心架构抉择工具 vs 工人脚本/函数 锤子AI Agent 木匠用途特定、明确的任务“敲这颗钉子”通用、开放式目标“给我做个书架”特性确定性、快、便宜、100% 可预测非确定性、慢、昂贵、能适应自问我是在敲钉子还是在造书架3.2 不该用 Agent红灯黄金法则能写函数就别用 Agent简单、确定、高度结构化的任务要求 100% 可预测和严格守规简单信息检索基础 RAG 就够没有清晰目标或无法行动3.3 该用 Agent绿灯开放式、定义不明确的问题多步骤、多工具流程动态环境需要随时间改进对话式、协作式界面3.4 两类典型问题开放式问题步骤序列事先未知传统代码无法硬编码工作流Agent 的 LLM 能在运行时决定步骤。坏例子定义明确CSV 转 JSON → 用脚本好例子开放式分析这个 CSV给市场团队找出三条最重要的洞察多步多工具流程单次调用解决不了必须串联多个工具搜索→查数据库→发邮件需要跨多轮保持状态和记忆。这里 Agent 的三件套首次同框LLM Tools Memory。例研究助手 搜网页 总结文档 综合成报告3.5 决策框架重要任务简单且确定→脚本/函数任务复杂但步骤明确→工作流Workflow任务复杂、开放式、动态环境→AI Agent好用例的三要素开放式目标不是具体指令 自主行动 多步多工具。4. 用例全景类别用例目标 → 行动工具链企业自动化企业管理员「AI 实习生」入职新工程师开通账号 发欢迎邮件 约 1v1 会议企业自动化高级客服「Tier 2 Agent」订单坏了验证身份 查订单 分析损坏照片并 API 退款技术/数据自主数据分析分析销售 CSV写并执行 Python 代码 生成图表 文字总结技术/数据主动研究Agentic RAG写太阳能报告规划 研究 10 个网页 综合并起草 自我批判后定稿技术/数据AI 结对程序员重构模块分析代码 → 重写 → 跑测试 →感知失败 → 循环调试自己复杂集成IoT 农业提高产量省水土壤传感器 天气 API → 推理最佳时机 → 触发灌溉系统复杂集成灾害响应多智能体地震协调Coordinator 派 Specialist 并行——Satellite_Agent 找损毁、Social_Media_Agent 找受灾者商业/科学电商营销闪购成功分析客群 写个性化邮件 实时监控 自动调广告预算商业/科学医疗科研找候选药物规划流程 搜医学库 分子模拟 分析 汇总 Top55. Agent 的挑战与局限没有「魔法」解决方案。能力越大复杂度和风险越大。我们的工作不是构建「可能」而是构建健壮、安全、可靠的系统。五大挑战 架构师的五大职责挑战问题架构师之问1. 非确定性传统代码确定性22 恒等于 4LLM 是随机的同样目标每次产出略不同。这不是 bug是模型的固有特性怎么给「每次输出都不同」的系统写单元测试怎么保证可靠性2. 安全与护栏给自主系统访问真实工具API/数据库/文件系统的风险销售 Agent 为「成交」擅自给 90% 折扣配置错误的 Admin Agent 因模糊目标「清理数据库」而调用 DELETE /users/all怎么在「自主创造」的系统上强制严格权限和护栏3. 成本与延迟循环里每一步都是 LLM 调用5 步任务可能要 10–15 次调用比脚本贵千倍LLM 慢秒级5 步任务 20–30 秒实时场景不可接受怎么设计省成本、防「失控循环」怎么用异步模式管理延迟4. 可观测性传统代码挂了有堆栈追踪Agent 挂了有什么是误解目标选错工具还是计划逻辑错误怎么记录、追踪、调试 Agent 的内心独白思维链5. 幻觉LLM 生成「看似合理」而非「真实」的文本。两种事实性编造事实/数字说 50 美元实际 75 美元和行动性编造不存在的工具或参数怎么让 Agent 扎根现实怎么严格定义工具让它「想象」不出新工具课程的表达方式很巧妙五大挑战全部压在同一张 Agent 核心架构图LLM Tools Memory之上一个都不能躲。态度这些不是障碍而是我们的工作These Are Not Blockers, They Are Our Job6. 设计你的第一个 AgentWeather Agent天气智能体目标自主回答两段式用户查询——“伦敦天气怎么样我该带伞吗”为什么这是 Agentic 任务不是简单问答需要两步① 获取外部数据天气② 基于数据推理是否带伞的建议架构组件如何连接本段最重要的图用户User在最左通过Goal目标发起中间核心框Weather Agent包含LLM中间和Tools 工具下方最右Weather Data天气数据——工具调用的外部数据源底部Reasoning推理→ Final Answer最终答案数据流User → Goal → Tool Call → Weather Agent → Weather Data → 推理 → 最终答案解读这个架构就是「数字员工」的最小落地——LLM 负责推理该不该带伞Tools 负责取数天气 API两者结合才产出答案。取数 推理 Agentic 任务的最小单元。7. 小结本段精华Agent 的定义数字员工 感知→推理→行动 的循环Agentic Loop由目标驱动而非指令4 原则记忆钩子目标驱动 自主 反应 主动Goal、Autonomy、Reactivity、Pro-activeness生成式 AI vs Agentic AI被动回答 vs 主动追求目标LLM 从「骨干」变成「推理引擎」人类从「每步在场」到「只给目标」选择框架简单确定→脚本复杂但步骤明确→工作流复杂开放动态→Agent。自问“我是在敲钉子还是造书架”Agent 三件套首次同框LLM Tools Memory——后面逐组件深挖的预告五大挑战 架构师的五大职责非确定性、安全护栏、成本延迟、可观测性、幻觉Weather Agent取数工具 推理LLM Agentic 任务最小单元是后面所有实战的原型下一个里程碑逐个深挖 Agent 的 7 大组件 BrainLLM→ ️ Senses感知→ Blueprint规划→ Notebook记忆→ ️ Hands行动→ Feedback Loop学习→ ️ Voice通信