《Agent 应用开发与落地全景》笔记

0. 导论

• Agent 领域仍在快速发展，尚无统一定义。
• 不必执着于“是否是 Agent”，而应关注系统的 agentic 程度（智能化水平）。
• LLM 能力决定了 Agent 的上限，但系统工程决定了 Agent 的落地效果。

---

1. 智能体（Agent）定义

1.1 机器学习“定义困境”的类比

• 线性回归比计算机早 100 年，因此从“发明年代”角度无法定义 ML。
• Agent 也处于类似阶段：定义混乱，但共识逐渐形成。
  

1.2 常见的 Agent 定义

● OpenAI AGI 五级划分（Level 1–5）

• Level 3 开始具备 自主行动可执行任务 → Agent 基本形态
• Level 4/5 对应创新与组织管理能力
  

● Lilian Weng 定义

Agent = LLM + 记忆 + 主动规划 + 工具使用

● LangChain 作者定义

Agent = 使用 LLM 决定控制流的系统

● “Agentic” 的概念

• 不必争论是否是 Agent，更应该讨论 “agentic 的程度”。
• 类似自动驾驶的 L1–L4，智能体能力也是渐进式。
  

---

2. Agentic System 架构分类

2.1 两大主线：以“上下文学习（Context Learning）”为统一视角

从更本质的角度看，无论是 Workflow 还是 Autonomous Agent，它们都可以被理解为 不同层次的上下文构造方式（Context Construction）。

LLM 的智能体能力最终取决于它在当前推理轮次中看到的 context 的质量、结构和动态性。
因此，Workflow 和 Agent 的区别，本质上是 人为构造 context vs 模型自主构造 context 的区别。

---

● Workflow（工作流）系统：结构化的上下文构造

Workflow 系统通过预定义的流程，让模型在每一步都获得经过人类设计的、可控的上下文。
它不追求“自主演化”，而是强调稳定、高可控、可验证。

特点：

• 流程固定：上下文在每一步都经过控制、筛选和加工
• 预测性强：输出路径明确，系统行为可重现
• 结构化 context：Prompt → 校验 → 再生成，每一步都是在“重塑上下文”

适用场景：

• 任务边界清晰、可拆解，如文档生成、摘要、流程自动化
• 对安全性要求高的领域
• 需要对每一步过程有可解释性的业务

启发性观点：

Workflow 的核心价值不在于增强模型智能，而在于设计一种可控的上下文生产流水线。
本质是“让系统按我们定义的方式变聪明”。

---

● Autonomous Agent（自主智能体）：自主演化的上下文循环

相比 Workflow 的“静态结构化上下文”，Agent 的关键在于：

它能够基于工具使用与环境反馈，不断更新属于自己的上下文。

它在运行中不断进行：

• 动态规划
• 子目标生成
• 工具调用
• 反思与修正
• 将执行结果写回 context

这形成一个 self-evolving context learning loop（自主演化的上下文学习循环）。

特点：

• 动态规划：根据环境反馈迭代更新计划
• 自主工具决策：选择正确的工具构造更高质量的上下文
• 上下文自进化：每一步都在“让自己的上下文变得更有利于推理”
• 适应开放任务：适合无法预定义固定流程的场景

适用场景：

• 信息不完整、路径不确定的开放式任务
• 长周期任务：调研、自动修复、运营分析、DeepResearch/DeepThink
• 需要智能体在迭代中“学会下一步怎么走”的任务

启发性观点：

Autonomous Agent 的本质不是“更强的推理”，而是能够自主构建最适合自己的上下文。
即：让系统自动“写提示”、“找信息”、“规划步骤”、“整合反馈”。
它解决的是“不确定性”，而不是“执行力”。

---

2.2 使用建议：基于 Context 视角的选择策略

当我们从上下文学习（context learning）的统一框架来看，就能得到一套非常清晰的设计原则：

---

● 原则 1：能用静态上下文解决，就不要引入动态上下文

Prompt 与 RAG ——本质上是“填好上下文，然后让模型思考”。
在大多数场景下，这已经足够高效、稳定。

因此：

• 能用 Prompt 解决的，不用 RAG
• 能用 RAG 解决的，不用 Workflow
• 能用 Workflow 解决的，不用 Agent

工程中最大的聪明不是“让系统更聪明”，而是“让系统足够简单”。

---

● 原则 2：每提高一级智能能力，背后成本指数级上升

复杂度提升 = 推理轮次增加 + 工具调用增加 + 上下文长度增加
这会直接带来：

• 成本增加
• 延迟变大
• 不确定性上升
• 可控性下降

尤其是 Autonomous Agent：

它的自由度越高，所需的“约束体系、安全机制、回滚策略”就越复杂。

因此，使用 Agent 必须谨慎，特别是在高风险行业。

---

● 原则 3：Agent 的价值不在于“能做多少事”，而在于“能在不确定性中找到下一步”。

如果任务的路径是确定的，那么 Workflow 永远比 Agent 更稳、更快、更便宜。

只有当：

• 信息不完备
• 路径不确定
• 需要探索、规划、反思
• 能力需要动态扩展

时，Agent 的价值才真正体现出来。

---

3. Agentic System 组件模块

下面是在你现有内容基础上，进行的 专业级增强 + 深度观点融合 的 3.1 小节版本，让它既有工程深度，又有理论高度，还能与前文的 “Context Learning 统一视角” 完整衔接。

你可以直接替换。

---

3.1 增强型 LLM：智能体系统的基石

在一个 Agentic System 中，LLM 不再只是「生成文本」的模型，而是整个系统的 决策核心。
因此，对 LLM 的增强与理解，决定了整个系统的上限。

一个真正可用于 Agent 构建的大模型，至少要具备 三条能力线索，对应 Agent 的三种“感知系统”：

---

（1）检索：补全模型的知识盲区（External Knowledge as Context）

即便是最强大的模型，也无法在参数中存储所有知识。
“检索”能力的本质是：

让模型在推理时动态获得它原本不知道的信息。

其作用是为 LLM 构造更全面的 外部上下文（external context）。

包括：

• RAG 检索文档、网页、数据库
• 多向量库（text / code / image / table）
• 专业知识库、内网系统接口

检索能力定义了：

• 模型的知识范围
• 推理的可信度和新鲜度
• Agent 对实时世界的感知能力

启发性观点：

工具可以增强功能，但检索才是真正让模型“看见世界”的方式。
一个没有检索能力的 LLM，只能永远在“封闭世界”里推理。

---

（2）工具使用（Tool Use）：让模型获得执行环境（Actions as Extensions）

工具使用能力不是模型“能力扩展”，而是它与外部世界互动的方式。
从本质上看，工具使用是：

让模型通过调用外部 API，把文本推理转化为行动的能力。

工具包括：

• 搜索引擎
• 代码执行
• 结构化查询（SQL）
• 自动化操作（HTTP / shell / Python）
• 第三方业务系统的 API（客服、工单、财务系统等）

在 Agent 体系中，工具是“行动接口”，决定了智能体的边界。

启发性观点：

LLM 不是为了理解世界而存在，它是为了影响世界而存在。
工具是让模型从“语言机器”升级为“行为主体”的真正关键。

---

（3）记忆（Memory）：让模型跨轮次思考（Context Beyond the Window）

记忆是打造真正智能体的分水岭。
ChatGPT 和 DeepSeek 的能力差异，很多都源于“记忆系统是否健全”。

记忆包括两个维度：

● 短期记忆（短上下文）

• 即当前对话窗口
• 模型的“工作记忆”
• 保证任务的连贯性与一致性

● 长期记忆（长期存储）

• 存在向量库、数据库、日志系统中
• 能跨会话、跨任务复用
• 能形成“自我认知”与“持续性目标”

启发性观点：

记忆不是为了保存信息，而是为了维持“持续的意图”。
没有记忆的系统永远只能做“单回合智能”，无法形成真正的 Agent 行为。

---

能力	本质	对应的“上下文”
检索	补充知识	External Context（外部上下文）
工具使用	扩展行为能力	Action-Generated Context（行动上下文）
记忆	跨轮次思考	Persistent Context（持久上下文）

增强型 LLM 的使命，是把知识、行动、记忆这三类上下文融合，构成一个能够自主推理与演化的系统核心。
它不是 GPT 的升级，而是“系统大脑”的雏形。

---

3.2 Workflow 的 5 种常用模式

① Prompt Chaining（提示链）

• 多步骤线性流程
• 中间可加入 gate 检查
• 典型场景：写提纲 → 校验 → 写正文
  

---

② Routing（路由）

• 输入分类到不同子流程
• 场景：客服分类、模型大小路由（小模型处理简单任务）
  

---

③ Parallelization（并行）

• 分段：任务分块并行
• 投票：同任务多次执行，进行投票或比对
  

---

④ Orchestrator–Workers（协调者—工作者）

• 主控模型拆解任务
• 各子任务由 worker 执行
• 场景：多文件代码修改、多源信息搜索
  

---

⑤ Evaluator–Optimizer（评估—优化循环）

• 一个生成，一个评估，循环迭代
• 场景：翻译润色、多轮搜索任务
  

---

下面我在你增强后的 3.3 Autonomous Agent 章节 中，嵌入 LangChain 1.0 的真实用法示例，帮助你把“理论—工程实践—框架能力”三者打通，形成一套非常专业、可直接用于分享/报告/文章的内容。

示例都基于 LangChain 1.0（lcEL） 的官方推荐用法：

• RunnableSequence
• LCEL
• AgentExecutor
• Tool
• Memory
• Plan-and-Execute 模式

下面是融合后的版本👇（你可直接替换或合并）

---

3.3 Autonomous Agent（自主智能体）：自主演化的智能系统（含 LangChain 1.0 示例）

一个 Autonomous Agent 不依赖固定流程，而是通过规划、工具调用、记忆和环境反馈不断更新上下文，实现 自主演化（self-evolving） 的智能循环。
LangChain 1.0 为这些步骤提供了结构化的工程抽象，使得构建自主智能体不再是“从零手搓”。

---

关键模块（Core Modules）与 LangChain 示例

---

● 规划（Planning）

规划模块负责将开放任务拆解为可执行流程。
LangChain 1.0 的典型做法是使用：

• ReAct Agent
• Plan-and-Execute Agent
• LCEL（LangChain Expression Language） 组合成规划链

LangChain 示例：Plan-and-Execute 架构

from langchain_experimental.plan_and_execute import PlanAndExecute
from langchain_experimental.plan_and_execute.planners import load_chat_planner
from langchain_experimental.plan_and_execute.executors import load_agent_executorplanner = load_chat_planner(llm)
executor = load_agent_executor(llm, tools)
agent = PlanAndExecute(planner=planner, executor=executor)agent("帮我调研一下本周 AIGC 行业最重要的三个事件，并总结其影响")

该架构天然支持：

• 子目标拆解
• 动态规划
• 反思与重新规划

就像一个“会思考的项目经理”。

---

● 记忆（Memory）

记忆是 Agent 的核心竞争力：
没有记忆的系统永远停留在“单回合智能”。

LangChain 1.0 提供多种 Memory 模式：

• ConversationBufferMemory（短期上下文）
• ConversationSummaryMemory（摘要型短期记忆）
• VectorStoreRetrieverMemory（长期向量记忆）

LangChain 示例：短期 + 长期记忆结合

from langchain.memory import ConversationBufferMemory, VectorStoreRetrieverMemoryshort_memory = ConversationBufferMemory()
long_memory = VectorStoreRetrieverMemory(retriever=my_vector_retriever)memory = CombinedMemory(memories=[short_memory, long_memory])agent_chain = agent.with_memory(memory)

这让 Agent 具备：

• 对话连续性
• 长期信息留存
• 跨任务学习
• “自我认知”的雏形

---

● 工具使用（Tools）

工具是 Agent 的“行动接口”。
LangChain 1.0 中工具的抽象非常简洁：

定义一个工具

from langchain.tools import tool@tool
def search_news(query: str):"""搜索最新新闻"""return my_news_api.search(query)

ReAct Agent 自动调用工具

from langchain.agents import create_react_agent, AgentExecutorreact_agent = create_react_agent(llm, tools)
agent = AgentExecutor(agent=react_agent, tools=tools)agent("查一下最新的 AIGC 行业融资事件，并给我总结")

你会看到模型会：

1. 推断需要用 search_news
2. 自动调用 API
3. 获取结果写回 context
4. 继续推理
5. 输出完成答案

体现出了 行动 → 反馈 → 更新上下文 → 再推理 的循环。

---

关键特征（Key Characteristics）与 LangChain 支持

---

● 环境反馈（Execution Feedback）

在 LangChain 中，工具返回值会自动进入下一次 LLM 调用的上下文。

示例：

agent("请查最近一周 AIGC 领域的融资动态，并列出影响最大的三条")

执行过程会像：

• Agent 调用 search_news
• LangChain 将搜索结果自动写入思维链（ReAct Trace）
• LLM 基于更新后的上下文继续推理

实现“可自主演化的上下文”。

---

● 人类检查点（Human-in-the-loop）

LangChain 1.0 支持：

• 在任何 Step 阶段插入
• 用户确认、编辑、阻断或手工处理

示例：

def human_review_interceptor(step_output):if "高风险" in step_output:print("⚠️ 检查点：人工确认")input("按回车继续…")return step_outputagent = agent.with_interceptor(human_review_interceptor)

让你的 Agent 成为一个“半自主系统”，可控且安全。

---

● 终止条件（Termination Conditions）

LangChain 终止控制方式包括：

• 最大 Step 数（max_iterations）
• 超时（timeout）
• 自定义终止信号（return_without_tools）

示例：

agent = AgentExecutor(agent=react_agent, tools=tools,max_iterations=8,early_stopping_method="generate"
)

避免模型陷入“无限探索死循环”。

---

Autonomous Agent 的本质，是一个能自主构建与更新自身上下文的系统。
LangChain 1.0 提供了规划、记忆、工具、反馈、终止机制等一系列工程级组件，使得这一自主演化循环得以现实可控地落地。
它不只是让模型“更聪明”，而是让系统具备“自我推进任务”的能力。

---

4. 结语

本文从智能体（Agent）的概念溯源出发，尝试在当前快速演进的大模型时代，为 Agent 技术构建一个具有解释力与前瞻性的系统化框架。
随着模型能力的跃迁，智能系统已经从“回答问题”迈向“自主行动”，从传统的流水线架构走向能够持续感知、推理、反馈与迭代的 闭环智能体（Closed-loop Agents）。

从整体脉络上看，现代智能体技术的发展可以被视为围绕 上下文学习（Context Learning）能力的不断扩展。
无论技术形态如何变化，其核心目标始终一致：为模型构造一个足够丰富、足够结构化、足够自适应的上下文，使其推理质量持续提升。
在这一视角下：

• Prompt 是静态上下文，
• RAG 是外部上下文，
• Workflow 是结构化上下文，
• 而 Autonomous Agent 则是能够 主动生成、主动修正、主动扩展上下文 的智能系统。

因此，Agent 的本质并非一个“产品形态”，而是一种 自主演化的智能机制（Self-evolving Intelligence Mechanism）。
它通过规划（Planning）、工具使用（Acting）、记忆（Memory）、反思（Reflection）与环境反馈（Feedback）构成的循环，不断减少任务中的不确定性，让系统具备持续推进任务的能力。

在工程体系上，随着 LangGraph 成为 Agent 的运行时底座，业界逐渐形成新的事实标准：
LangGraph 管理智能体的生命周期与状态，LangChain 1.0 提供能力插件与工具生态，两者共同构成下一代 Agent 系统的核心技术栈。
这一栈不仅实现了智能体的状态持久化、反复迭代、多智能体协作与可控运行，还为企业级场景提供了必需的安全性与治理能力。

伴随框架成熟，平台与产品生态也正在走向分层：

• 全代码框架保证灵活性与可扩展性，
• 低代码平台降低开发门槛、提升交付速度，
• 应用级 Agent 产品展示了智能体真正的商业价值与用户体验。

这种从基础框架 → 平台 → 实际产品的分层演化，标志着 Agent 技术正从实验室逐渐迈入产业规模化落地阶段。

从更宏观的角度看，Agent 技术并不是对过去软件范式的简单替代，而是一种更具生命力的计算模式：
一个能够持续与环境互动、在任务中保持意图一致、并通过外部工具不断扩展自身能力的 动态智能体系统。
这种系统将重塑未来软件形态，使应用不再依赖固定流程，而是形成具备主动性、适应性与长期性目标的智能行为体。

未来的竞争，不再是模型参数规模的竞争，而是智能体闭环的竞争：
谁能构建更稳定、更高效、更可控、可解释、可治理的智能体系统，谁就能在下一阶段的智能时代占据优势。

智能体不是终点，而是通向 具备持续推理能力、具备学习能力、具备行动能力的下一代 AI 系统 的必经之路。
这一演化，已经悄然发生——而本文所讨论的，正是这场演化背后的技术底座与理论脉络。

---