AI Agent的定义到底是啥呢？

都说2025年是AI Agent元年，现在出门不说自己会写个基于LLM的agent都不好意思跟人打招呼。

那么AI Agent的定义到底是啥呢？

OpenAI在《A practical guide to building agents》里是这么定义的。

好像还是有点抽象。

基于个人理解翻译一下

agent = [ LLM + persona + (memory + tools) ]

即：大语言模型 + 人设 + 记忆 + 工具

agent对应代码可以是下面这样

agent的基本行为模式基本遵循下面这个套路

Perception -> Plan -> Act -> Review

当上述这段agent代码运行起来后，就开始了“感知、规划、执行、审视”的循环，直到完成用户提出的目标。

人类为了完成工作，与世界交互也遵循着同样的行为模式，agent具备类似人类的主动感知、规划（控制）、执行的能力。

AI agent不是人类，但它可被视为“类人”。

正文完。

稍微展开说说AI agent。

LLM是人工的缸中大脑，在赋予其人设（persona)之前，这个人工脑等于一个信息高度压缩、知识储备超大的素人。

LLM + persona，这个人工脑开始有了主体意识，会基于训练数据的特征，按照人设去模拟这个主体的言行举止，其展现出的推理逻辑，是基于统计学的产物。

persona的设定通常包含在system prompt（sp)中，sp内容除了persona之外，更多的是给LLM的行为准则，相当于人类世界的职业教育，道德规训。

一旦设定了Agent主动推理、感知、压缩上下文的方式方法，LLM会根据这个行为准则主动拓展感知的范围，结合已有的memory，针对当前上下文采用它认为合适的处理方式，具体的理解能力强弱，则受限于LLM的能力，这等同于人类社会中个体人类的天赋有高有低。

tool则是agent的手脚，根据LLM的对上下文内容的理解自主选择如何调用工具，这时候的agent除了感知、思考、推理之外，还变得有能力作用于现实世界了。

MCP则等于是提供了外部的工具包供其使用。

做到这一步，AI agent基本已经算是一个思维闭环的类人了。

比较神奇的是agent的memory，agent对memory的处理非常拟人，memory太长会导致记不住要点，memory太少了则会懵逼不知道要干啥，但为了完成任务，于是就开始猜，出现幻觉。

agent推理生成的精准度还挺依赖memory“范围宽度 + 内容质量”的；LLM的context window的大小决定了agent memory的上限。

为了平衡LLM context window对生成精度的影响，iterative prompting的应用场景就很常见。

比如cursor agent在代码生成过程中，就不是吧每轮生成结果原文直出给下轮对话，而是会对生成结果做一次提炼归纳，默认只保留code diff，测试结果补充为context放入下一轮的推理生成中，

这种迭代式提示的精髓，就等于是人类短期记忆的“做笔记，列重点”

使用不同的LLM，同一份system prompt的表现会有差异，对function, tool的调用精度也可能差别很大。

这部分是LLM的本身的能力天赋所决定的。

人类是环境的产物，让一个专家发挥特长，除了增强专家资深的技能，更重要的是提供适用专家技能的场景素材。换做是agent，就需要对agent所接收到的上下文、长短时记忆做好管理，在此暂不展开。

人类作为agent开发者要做的，就是在合适场景中，选择成本合适、能力匹配、反应速度适当的LLM充当这个大脑，把它定义成符合角色设定“类人”，用好“职业教育”规训它的行为模式、能力边界，然后提供尽可能清晰、准确的上下文给它，建构场景，管理好记忆。

剩下的工作，就交给agent这个“类人”去完成。

目前的实践告诉我，AI agent比软件开发的不确定性要高，很难一蹴而就，需要通过迭代不断观察改进。

人类开发者对类人要做的是，建立观察/评测体系，耐心调教，共同成长。

• a-practical-guide-to-building-agents: