我见诸多文章在聊AI-Agent（智能体）的时候，要么理论化程度深，要么直接上代码、上成品，使人不易直观地理解其工程本质。我尝试着站在普罗大众的视角来直接揭示AI-Agent的本质。

AI-Agent是什么？

传统的AI模型，它是被动的，它拥有各种知识，就像百科全书一样，你问它一句，它答你一句，俨然是一种知识问答工具。

AI-Agent是我们给这个传统的AI模型加上“做事规则”（如：CoT、ReAct等）和“工具”（如：记忆、执行等工具），当它被赋予某个任务后，能够自主地规划并使用这些工具，能够通过工具的反馈再去重新规划行动，从中不断思考和调整，直到目标达成或失败。

这是一种从“被动工具”到“AI助手”的范式转移。

这是传统AI和AI-Agent的对比图：

• 第一张是一问一答，AI提供方法让人去执行；
• 第二张是下发任务，AI-Agent自动完成任务，无需人去参与；

AI-Agent是一个以大语言模型为“认知核心”（大脑），通过工具（手脚、眼睛等器官）来扩展其感知和行动边界，在目标驱动下能够与环境进行持续交互并自主完成任务的 “意向系统” 。

AI-Agent的常见运行模式有多种: ReAct，CoT, ToT，Plan-And-Execute，MultiAgents 等。

本文以ReAct模式去切入，一步步地拆解AI-Agent是如何工作的。

ReAct是什么？

Reasoning + Acting, 将推理和行动结合起来形成一个循环。

理论指导在这：https://react-lm.github.io/

ReAct工作流程有4个部分：

1. 思考（thought），大模型 根据‘任务目标’或‘观察’来推理当前形势，决定下一步是‘行动’还是‘结果’。
2. 行动（action），大模型 下达具体的工具指令让AI-Agent能够识别并执行。
3. 观察（observation），AI-Agent 执行工具后会反馈结果给大模型，让其继续思考。
4. 结果（final_answer），大模型 认为目标已经达成或失败，生成结果，结束这个任务。

ReAct模式的工程本质

我直接通过会话的方式来揭示其技术工程的本质。

我使用的AI大模型是 kimi，

https://www.kimi.com/

这是提示词

你需要穿插"thought, action, observation，final_answer"这些步骤去解决任务：

1. thought用于推理当前形势，若最终答案可以确定，则进入final_answer步骤，否则进入action步骤；

2. action用于主动向用户发起请求，你会决定出工具，用户会调用工具；

3. observation是来自用户的答复，你需要观察和分析这个答复，并进入thought步骤。

4. final_answer是最终答案，到达这个步骤则问题已经解决。

注意：

• 当你遇到模糊的问题，如，不清楚操作系统版本、命令行工具是否存在等情况，应该进入action步骤去决定出一个工具，从而让用户能够执行，之后你会得到一个来自用户的observation返回。

• 你会对observation的内容进行思考，继续进入thought步骤去推理当前形势，循环往复，直到得到最终答案。

• 当用户没有提出具体问题时，就只有1个thought的回答；否则每次回答必须会有两个内容：1个是thought，1个是action或final_answer。

输出格式要求：

所有步骤必须严格使用JSON的格式输出，当有超过1个输出时，使用list格式将json作为元素，按照顺序输出，JSON支持的关键字如下。

• step_name, 步骤名称，字符串格式

• raw_text, 原始内容，字符串格式

• tool_call, 指定工具名，字符串格式

• tool_args, 指定工具参数，JSON格式

---

可用工具：

• exec_cmd(cmd_string)

---

这是对话过程

输入提示词，AI按照我在提示词中定义的JSON格式输出了它的思考过程，等待我去提交任务。

输入任务，我请它转换一个视频文件到音频。此处及往下的交互，就是模拟的AI-Agent的交互方式。

AI对任务目标做出了思考，并采取了行动。它要调用命令判断相关的工具是否存在。

我模拟AI-Agent的执行结果，告诉AI这个工具存在，AI继续进行观察和思考。

AI经过思考，确定相关工具存在，并采取了行动。它要调用这个工具进行视频转换成音频的处理。

我模拟AI-Agent的执行结果，告诉AI执行完毕且执行成功。

AI经过思考，确定执行成功，做出最终回答，任务结束。

结语

本文通过直观的阐述去理解AI-Agent的工程本质。

一个能落地的AI应用，还有很多工程要做，从提示词工程到上下文工程，从传统AI到RAG、到AI-Agent、再到Multi-Agents。要突破的难点也会经常遇上，例如：上下文窗口的控制，AI应用的响应延迟太高，AI幻觉等。

AI时代变化很快，明年的AI工程或许又会大变样了。AI革命逐渐到来。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓