一、前言：之前的文章多少提到过一点相关的内容，这里具体来说说

二、什么是Agent？

Agent = 大模型（大脑）+ 循环执行器（身体）+工具（手脚）+记忆（记性）

三、Agent如何实现？

以大模型作为决策大脑，搭配循环推理、工具调用、分层记忆与任务规划程序，持续自主思考并执行操作直至任务完成的软件系统就是 Agent。

四、Agent的运行模式

1.Agent的运行模式——ReAct模式(Reasoning and Acting)

最早由2022年10月份的一篇论文提出

具体流程框架是：

输入 Prompt → Thought（模型推理） → Action（调用工具） → Observation（工具返回结果）

判断：是否能给出 FinalAnswer

否：把 Observation 拼接进上下文，回到下一轮 Thought，循环往复

是：输出 FinalAnswer，终止循环

2.plan-and-Execute模式

核心特征区分：和 ReAct 最大区别 ——先生成全局完整计划再分步执行，适合长链路复杂任务（多文件工程、多子 Agent 调度，如 OpenClaw）；

具体流程：

先让 LLM 一次性完整拆解出全局分步计划，再由执行器按计划逐条运行工具、收集反馈，中途可根据结果修正计划，完成全部步骤后汇总输出。

①规划阶段（Plan）传入用户原始需求，让模型输出结构化任务清单（步骤顺序、每个步骤目标、所需工具），生成完整执行方案；

②循环执行阶段（Execute）循环读取计划里下一步任务，调用对应工具执行，拿到观测结果；

③计划修正分支若工具返回信息与预期不符、缺少关键数据，重新调用 LLM 修改 / 补充原有计划；

④收尾汇总所有计划步骤执行完毕，整合全部观测内容生成最终答案，结束流程。

补充对比：

ReAct：边思考边行动，无全局计划，迭代快，适合简单短任务；

Plan-and-Execute：先整体规划再分步执行，支持动态改方案，适合复杂多步骤、多子任务场景，OpenClaw 这类调度型 Agent 底层采用该思想。

五、总结：貌似没有什么精炼的或者值得留意的东西，待完善