AI Agent 技术介绍 · 01 封面

Slide controls

🚀 Website

1 / 10

00:00

⌨️ Keyboard shortcuts

FEnter/exit presentation →Next ←Previous SpaceNext HomeFirst EndLast EscExit presentation ?Show/hide this help

AI AGENT · 技术分享

TECH SHARING — 2026

AGENT TECHNOLOGY OVERVIEW

AI Agent

技术全景 · 从大模型到智能体

当大语言模型拥有感知、规划、记忆与行动能力，AI 从「会聊天」进化为「会做事」。本次分享系统解析智能体的定义、核心架构、关键组件、主流框架与落地实践。

01自主感知

02动态规划

03工具调用

04多体协作

PERCEPTION→PLANNING→MEMORY→TOOL USE→ACTION

P.01 / 10

Made with

AtomStorm.ai

DEFINITION / 定义

以 LLM 为大脑，能够自主感知环境、动态规划决策、调用工具并执行行动，以达成给定目标的智能系统——它不再只是回答问题，而是完成任务。

AGENT ≈

LLMREASONING

记忆MEMORY

工具TOOLS

规划PLANNING

自主性

无需逐步指令，自主拆解并推进任务

反应性

感知环境变化并实时调整策略

目标驱动

围绕目标持续推理直至收敛

持续演进

通过记忆与反馈不断自我优化

EVOLUTION TIMELINE

2022 前

规则引擎与 RL Agent（围棋/游戏），能力局限于封闭环境

2022 – 2023

ChatGPT 引爆 LLM，ReAct 范式提出，AutoGPT 早期探索

2024

Function Calling 成熟，框架生态（LangGraph 等）快速成型

2025

Agent 元年：从对话走向行动，MCP 协议推动工具标准化，企业级落地加速

Made with

AtomStorm.ai

DIMENSION / 维度

传统 Chatbot / RAG 问答

AI Agent 智能体

交互模式INTERACTION

✕被动单轮问答，一问一答即结束

◆主动多步执行，持续迭代直至目标达成

能力边界CAPABILITY

✕仅文本生成，无法触达外部系统

◆工具调用 + API 执行，直接改变现实状态

上下文记忆MEMORY

✕无状态或仅会话内短期记忆

◆短期+长期记忆系统，跨会话持续积累

决策方式DECISION

✕固定规则 / 单次推理直接输出

◆动态规划：分解-执行-反思-纠错循环

任务复杂度COMPLEXITY

✕单点问题解答，浅层任务

◆端到端长程任务：可编排数十步工作流

CHATBOT

回答问题
「这项政策是什么？」

AI AGENT

完成任务
「帮我把这个请假流程办完」

RAG CHATBOT

中间形态
有知识接地，但无行动能力

关键跃迁：从 「语言智能」 到 「行动智能」 —— 判断标准只有一个：能否自主完成任务闭环

P.03 / 10

Made with

AtomStorm.ai

感知PERCEPTION

接收环境输入：用户指令、多模态数据、事件流与工具返回的观测结果

规划PLANNING

任务分解、路径规划与反思纠错，把模糊目标拆解为可执行步骤序列

记忆MEMORY

短期记忆（上下文窗口）+ 长期记忆（向量库/知识图谱），支撑跨会话连续性

工具TOOL USE

通过 Function Calling 接入 API、搜索引擎、代码解释器，突破纯文本能力边界

行动ACTION

执行决策并改变环境状态：发送邮件、提交工单、写入代码——形成任务闭环

Made with

AtomStorm.ai

BRAIN / 推理引擎

LLM 大模型

Agent 的「大脑」，决定推理与规划的上限。指令遵循、长上下文与推理能力直接影响任务成功率。

通用模型（GPT / Claude / Gemini）：通用任务底座

推理模型（o系列 / R1）：深度思考与复杂规划

模型即 Agent：Computer Use / Deep Research 原生智能体能力

KNOWLEDGE / 知识增强

RAG 检索增强

先检索后生成，为 LLM 接入私域知识与实时信息，是缓解幻觉、保证事实准确性的关键手段。

向量检索：Embedding + 向量数据库召回相关片段

重排序：精排提升上下文相关性

Agentic RAG：Agent 自主决定检索时机、次数与策略

MEMORY / 经验积累

记忆系统

让 Agent 拥有跨会话的连续性。记忆分层设计平衡上下文窗口限制与长期知识沉淀。

短期记忆：当前会话上下文 / 工作记忆（Scratchpad）

长期记忆：向量库存储历史经验与用户偏好

演进机制：主动学习、动态写入与遗忘策略

Made with

AtomStorm.ai

工具使用

TOOL USE / FUNCTION CALLING

模型以结构化 JSON 声明并调用外部函数，把自然语言意图映射为 API 执行——Agent 伸向现实世界的「手」。

PROTOCOL

MCP 协议

Model Context Protocol：工具接入标准化，M×N 集成问题降为 M+N，已成事实标准

PARADIGM

ReAct 范式

Reasoning + Acting 交替：思考 → 行动 → 观察循环推进，兼顾推理与执行

TOOLBOX

常见工具

搜索引擎、代码解释器、数据库、文件系统、浏览器操作（Computer Use）

PATTERN

角色分工

规划者 → 执行者 → 审查者流水线，各司其职，类似人类团队协作

MECHANISM

通信机制

消息传递、辩论与共识、共享黑板，多视角交叉验证降低单点错误

INTEROP

A2A 协议

Agent-to-Agent 互操作标准，跨框架/跨厂商的智能体互联网雏形

Made with

AtomStorm.ai

STEP 01

任务输入

接收目标：「帮我订一张明天去上海的机票」

STEP 02

理解分解

拆解子任务：查日期、比价格、选航班、确认支付

STEP 03

检索记忆

查长期记忆（偏好靠窗/上午航班）+ RAG 检索行程信息

STEP 04

选择工具

从工具箱匹配：航班 API、日历 API、支付接口

STEP 05

执行行动

Function Calling 调用 API：查询并锁定航班与价格

STEP 06

观察结果

解析返回数据：价格超预算？时间冲突？环境反馈

STEP 07

反思判断

评估进度：自我纠错——换航班 / 询问用户 / 重试

STEP 08

交付输出

目标达成：出票 + 写入日历 + 结果汇报

⟲

核心机制：步骤 05–07 构成 ReAct 循环（行动 → 观察 → 思考）——未达标则回退重规划，多次迭代直至收敛；配合失败重试与结果验证保障任务闭环质量。

WALKTHROUGH

一次真实执行的
思考轨迹

01Thought：用户要明早出发，先查航班 → thinking

02Action：调用 search_flights(date="明天", city="上海") → tool call

03Observation：3 个航班，MU5101 时间最优但价格偏高 → result

04Reflection：记忆显示用户曾选过该航班，预算允许 → 决策出票 → decide

05Action：book_flight + add_calendar → 任务完成闭环 → done

Made with

AtomStorm.ai

LangGraph

LANGCHAIN

图状态机编排：节点+边显式建模流程，支持循环、分支与人工介入，精细可控、生产级稳定性

控制粒度高上手较陡生产级

AutoGen

MICROSOFT

多 Agent 对话驱动：Agent 间消息协商完成协作，研究友好，代码执行与人类反馈闭环成熟

多体对话上手中等研究型

CrewAI

CREWAI INC

角色化「团队」协作：以 Crew（角色+目标+背景）+ Task 编排流水线，概念直观、快速上手

角色编排上手简单原型快

Agents SDK

OPENAI / ANTHROPIC

官方轻量方案：OpenAI Agents SDK 与 Claude Agent SDK，原生绑定模型能力，开箱即用

轻量官方上手简单生态绑定

NEED FINE CONTROL

→ LangGraph

生产级流程控制、审计与回放需求

NEED MULTI-AGENT

→ AutoGen

多角色协商、代码协作与实验研究

NEED FAST START

→ CrewAI

快速搭建角色化团队原型验证

NEED SIMPLICITY

→ 官方 SDK

绑定官方模型生态的最短路径

Made with

AtomStorm.ai

USE CASES / 落地场景

软件开发

Cursor / Devin / Copilot：自动编码、调试、测试到提交的全流程

智能客服

多步骤工单处理：查询、改签、退款全链路自动化

数据分析

自然语言取数：问一句生成 SQL、图表与分析报告

办公自动化

邮件、日程、文档的流水线编排，释放重复劳动

金融 / 科研

投研分析、文献综述：Deep Research 类深度研究智能体

个人助理

跨应用任务编排：日程、出行、购物一站式代理

CHALLENGES / 挑战局限

C-01可靠性：幻觉与错误累积

单步 95% 正确率，10 步链路仅 ~60%——长任务错误累积是落地最大瓶颈

C-02安全与对齐风险

提示注入攻击、越权操作、数据泄露：Agent 掌握执行权后风险被放大

C-03成本与延迟

多轮推理+工具调用使 Token 消耗激增，实时场景延迟难以接受

C-04评估难题

任务级评测标准缺失：如何量化「任务完成质量」尚无统一答案

Made with

AtomStorm.ai

模型原生 Agent 化

推理模型（o系列 / R1）内化规划与反思能力，Agent 智能从「外部编排」走向「模型内生」

协议标准化

MCP + A2A 构建「智能体互联网」：工具接入与 Agent 互操作走向统一标准

多 Agent 系统

从单体智能走向群体智能：专业分工、协作共识解决单 Agent 无法胜任的复杂任务

端侧与具身智能

Agent 走向端侧设备与具身智能（机器人 / 自动驾驶），从数字世界延伸到物理世界

Agent = LLM 的能力放大器

从「会聊天」到「会做事」，从「被动问答」到「主动完成任务」——AI Agent 正在重新定义人机协作的边界。核心判断：模型决定上限，工程决定下限，可靠性工程将是未来竞争的主战场。

THANKS · Q&A

谢谢 · 问答

Made with

AtomStorm.ai

⌨️ Keyboard shortcuts

AI Agent

什么是 AI Agent

自主性

反应性

目标驱动

持续演进

Agent 与传统 AI / Chatbot 的区别

核心架构：感知 · 规划 · 记忆 · 工具 · 行动

关键组件（一）：LLM · RAG · 记忆系统

关键组件（二）：工具调用 · 多 Agent 协作

典型工作流程：ReAct 循环的完整闭环

主流框架对比与选型

应用场景与挑战局限

未来趋势 · 总结

Agent = LLM 的能力放大器

⌨️ Keyboard shortcuts

AI Agent

什么是 AI Agent

自主性

反应性

目标驱动

持续演进

Agent 与传统 AI / Chatbot 的区别

核心架构：感知 · 规划 · 记忆 · 工具 · 行动

关键组件（一）：LLM · RAG · 记忆系统

关键组件（二）：工具调用 · 多 Agent 协作

典型工作流程：ReAct 循环的完整闭环

主流框架对比与选型

应用场景 与 挑战局限

未来趋势 · 总结

Agent = LLM 的能力放大器

应用场景与挑战局限

VibeAgent 执行过程

AI Agent技术介绍