AI Agent 架构：工具调用、记忆、规划与 ReAct
讲清一个能自主完成任务的 Agent 由哪些部件构成，以及它们如何协同
- 理解 Agent 与普通聊天机器人的本质区别
- 掌握工具调用（Function Calling）的完整闭环
- 区分短期/长期记忆及其实现
- 理解 ReAct/规划—执行循环与终止条件
Agent = 大模型 + 工具 + 记忆 + 可控的行动循环
普通聊天只能“说”，Agent 能“做”：它能把用户目标拆解为步骤，自主决定调用哪个工具、读取工具结果、再决定下一步，直到任务完成。大模型在其中扮演“大脑/决策者”，但真正让它强大的是外接的工具、可积累的记忆，以及一套被严格约束的行动循环。
模型本身不能联网、不能读写你的数据库、不能下单。它只能输出“我想调用某工具、参数是什么”的结构化意图，真正执行的是你写的、带权限校验的程序。这层“模型决策、程序执行”的边界，正是 Agent 安全与可控的生命线。
1.1 工具调用（Function/Tool Calling）闭环
一次完整的工具调用分四步：程序把可用工具的名称、用途、参数 Schema 告诉模型；模型判断需要调用时，输出结构化的工具名与参数（而不是自然语言）；程序对参数做校验、做权限判断，然后真正执行工具（查天气、查库、调 API）；把工具结果回传给模型，由它继续推理或给出最终答复。
工具粒度要小而明确——一个工具只做一件事。写操作类工具（删除、转账、发送、发布）必须二次确认或加白名单。永远不要把模型给的参数直接拼进 shell 命令或 SQL，否则会产生命令注入。工具必须有超时和失败兜底。
在 Agent 里，真正执行“查询数据库/下单”这类动作的是哪个部分？
1.2 记忆：短期上下文与长期记忆
短期记忆：当前对话上下文窗口里的内容，随会话结束而清空，受窗口长度限制。长期记忆：把用户偏好、历史事实、过往结论抽取后存入外部（数据库/向量库），需要时检索回来。它又分“情景记忆（发生过什么）、语义记忆（抽象出的事实/画像）、程序记忆（学会的流程/技能）”。
长期记忆的标准做法是「写入时抽取摘要、读取时按相关性检索」，不是把全部历史无脑塞回上下文。记忆得支持删除、纠错——用户说「忘掉这个」就能删，还要注意隐私合规。
记忆系统的常见坑
记忆污染：错误信息被写成长记忆后会反复误导，需要靠置信度判断，再加上人工/用户确认；记忆冲突：新旧事实矛盾时以新代旧，同时标注时间；记忆膨胀：无差别记录会导致检索噪声，应该抽取「可复用事实」，别记流水账；隐私：敏感信息要脱敏，得提供删除和导出功能。
1.3 规划与行动循环：ReAct 与 Plan-and-Execute
ReAct 是 Reasoning + Acting 的缩写，核心就是让模型在「思考—行动—观察」里循环：先想下一步做什么，调用工具，看返回的结果，再想下一步，直到得出最终答案。它的优势是灵活，能随时根据真实的工具返回结果纠偏；短板是容易走弯路，执行的步数没法提前控制。
Plan-and-Execute 的思路是先一次性把整个任务的步骤清单列好，再一步步往下做，过程里有需要就重新规划。它适合步骤多的复杂任务。实际用的时候经常把它和 ReAct 结合起来：先出整体计划，到执行环节，每个子任务用 ReAct 来处理。
自主循环最大的风险是失控：反复调用工具、陷入死循环、成本失控。生产级 Agent 必须设置：最大步数/最大工具调用次数、总超时与 Token 预算、每一步的可观测日志、异常即停与人工接管，以及“无法完成就明确退出”的终止条件。
下列哪项是生产级 Agent 必须具备、而 Demo 常缺失的？
1.4 一个 Agent 的标准后端结构
一个 Agent 服务，按工程视角拆的话，就这几个部分：对话/状态管理（存会话和中间步骤）、模型网关（统一调模型、重试、限流、算成本）、工具注册表（存名称、Schema、执行器、权限）、记忆层、编排循环（规划/ReAct）、可观测与审计（每一步的输入输出、耗时、Token）、兜底与降级策略。别死记某个框架的 API，框架会换，这些部件是长期稳定的。
资深工程师加餐
底层原理 · 大厂视角 · 工程经验，点卡片展开
Agent 的效果很大程度取决于：在有限上下文窗口里，于正确时机、以正确结构放入正确信息——系统指令、检索到的证据、对话历史、工具返回结果、少金属样例。围绕它要做信息的去噪、排序、压缩，以及记忆分层（短期在上下文、长期进向量库）。这比抠一句「魔法咒语」更本质。