本文介绍 AI Agent 的组件构成。智能体（Agents） 是由多个组件系统构成的复杂单元。基于这些组件，智能体执行任务，实现任务目标。组件本身可能是简单或复杂的系统，通常可分为以下五大类别。

角色设定

角色设定代表了 Agent 的基础定义。角色设定（通常称为系统提示 System Prompt）指导 Agent 完成任务、学习如何作出反应。角色设计通常包含角色背景、人口属性（demographics）

🎭角色背景

• 职能定位（如客服专员、数据分析师、程序员、作家）
• 交互风格（正式/亲切、简洁/详尽）
• 知识边界（专业领域与权限范围）

🧬人口属性

添加人口属性（如年龄、性别、文化背景），可增强 Agent 交互的场景适配性与用户信任感。

• 年龄/性别：影响语言风格
• 文化背景：决定禁忌话题与礼仪（如节日问候）
• 专业履历：赋予领域权威性（如“10 年金融从业经验”）

Agent 的角色设定的创建方法：人工设定、LLM 辅助生成、基于数据或算法（如，进化算法）生成。

动作与工具使用

智能体（agents）为了完成任务或获取信息，需要执行一系列动作或使用外部工具。

智能体的动作可分为任务执行（task completion）、探索（exploration）和沟通（communication）。执行动作，会对智能体所在的环境及内部状态产生不同程度的影响。

🎯动作目标（Action Target）

动作目标，明确智能体的行为目的。理解动作目标（action target） 有助于我们为任务完成、探索或沟通定义清晰的目标。动作目标的表示形式：

• 语义函数：由LLM驱动的自然语言指令（如“查询某国前五大城市”）
• 原生函数：代码实现的底层操作（如文件读写、API调用）

🌌动作空间（Action Space）

动作空间定义了智能体在环境中可执行的所有可能动作集合，动作空间包括：

• 工具：外部API/物理设备（如数据库查询）；
• 自身知识：Agent内置规则库；
• 其他智能体：多Agent协同（如任务分配）

💥动作效果（Action Impact）

动作效果揭示了动作如何影响任务结果、智能体环境及其内部状态。认识动作效果，有助于执行任务过程中进行高效决策。执行动作，可能对以下因素产生影响：

• 智能体环境（如物理状态或交互场景）
• 内部状态（如知识库更新、情绪模拟）
• 其他智能体：协同网络

🤖动作生成（Action Generation）

动作生成方法有三类：人工创建、从智能体记忆中回顾、遵循预定义计划。

• 人工创建：用户直接指令；
• 从记忆中回顾：从长期记忆检索历史经验；
• 遵循预定义计划：执行预设任务序列；

记忆与知识

智能体利用知识与记忆，在规定的最大 tokens 数的情况下，为上下文补充最相关的信息。

📚检索组织结构

• 统一结构（Unified Structure）：所有知识记忆子集遵循单一组织形式（如纯向量索引或纯关系数据库）；
• 混合结构（Hybrid Structure）：融合多种存储形式（如“向量数据库+图数据库+时序日志”），具有灵活性、扩展性优点。

📊检索数据形式

• 语言文档：PDF、HTML 等非结构化文本，需分块（chunking）后提取语义
• 数据库：关系型数据库、文档数据库、对象数据库
• 向量嵌入（Embeddings）
• 简单列表（作为轻量级记忆缓存）

🔍检索操作

• 增强（Augmentation）：将检索结果作为上下文，增强智能体的决策能力。
• 语义提取（Semantic Extraction）：基于向量嵌入（Embeddings）的相似性搜索。
• 压缩（Compression）：减少冗余信息，提升检索效率

推理与评估

推理（Reasoning） 使智能体能够自我反思（self-reflect），对任务进行逻辑分解与路径规划，生成内部思考。评估（Evaluation） 对任务执行过程及结果进行量化或定性分析，为智能体在任务处理过程及任务完成时的自我反思提供基础。

🧠推理技术

从基础提示（Zero/One/Few-shot）→ 链式推理（CoT）→ 多路径探索（ToT）→ 骨架加速（SoT），逐步增强模型解决复杂问题的能力。

• 零样本提示：直接向模型下达任务指令，不提供任何示例，依赖模型预训练知识生成回答
• 单样本提示：提供1个示例，引导模型学习任务格式与逻辑
• 少样本提示：提供3-5个多样化示例，强化模型对复杂任务模式的理解
• CoT，思维链：要求模型分步展示推理过程
• ToT，思维树：模拟人类多路径探索与回溯的决策过程，将问题分解为树状路径，通过搜索算法选择最优解。
• SoT，思维骨架：模仿人类“先列提纲、再填充细节”的认知过程，首先生成答案要点骨架，再并行填充细节

📏评估技术

自洽性（Self-consistency）通过群体决策提升可靠性，提示链（Prompt Chaining）通过流程分解确保任务可控性。

• 自洽性（Self-Consistency）（自洽性）：生成多条推理路径，投票选择最一致的答案。
• 提示链（Prompt Chaining）：将复杂任务分解为有序子任务链，前序输出作为后续输入。通过中间结果追溯错误来源。

规划与反馈

🤖无反馈规划（自主式）

智能体基于预设规则独立执行任务，不依赖外部反馈进行动态调整的规划模式。

• 基础规划：静态任务分解策略（如甘特图、任务清单），无复杂推理或工具调用
• 自动工具调用的推理：通过LLM自动生成工具调用程序，实现代码执行/API调用
• 顺序规划：线性执行子任务（如关键路径法），无并行或动态路径优化

🔄带反馈规划

通过环境/人类/模型反馈动态修正计划的适应性机制。

• 环境反馈：传感器/API返回的实时状态信号（如自动驾驶中的路况变化）
• 人类反馈：用户主动提供的修正指令或评分（如医生调整AI诊断结果）
• LLM反馈：模型通过自洽性校验（Self-consistency）或反思链（Reflection）生成优化建议
• 自适应建设性反馈：根据错误类型动态调整的改进机制（如计划内细化、技能发现）

上为关于 AI Agent 组件构成的介绍。本文为《AI Agents in Action》的读书笔记。

欢迎关注我，后续介绍 AI Agent 的相关内容。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​