什么是 Embedding？
Embedding 是将离散数据转换为连续向量表示的技术。
为什么需要？
"猫" → 独热编码 → 99.9% 是 0（稀疏）
"猫" → Embedding → [0.2, -0.1, 0.8...]（密集，语义丰富）语义空间
"狗"
/
"宠物" /
/
/ "猫"
/
"汽车"
动物聚集，汽车远离Embedding 模型
应用
- 语义搜索
- 聚类分析
- 推荐系统
- RAG 检索
Claude Code 生成
什么是 Agent
AI Agent（智能体）是一个能够感知环境、做出决策并采取行动的系统。与简单的问答机器人不同，Agent 可以自主规划、执行复杂任务，并从反馈中学习和改进。
大语言模型本身是被动的响应系统：用户提问，模型回答。Agent 则更进一步：给定目标后，Agent 能够自主思考步骤、调用工具、应对异常，最终完成任务。这种自主性使 Agent 成为真正有用的 AI 助手。
1. Agent 的核心能力
Agent 需要具备四大核心能力才能有效工作。
Agent 四大核心能力：
感知（Perception）：接收用户输入或环境信息
- 理解用户意图
- 收集环境数据
- 识别任务需求
推理（Reasoning）：分析问题、制定计划
- 分解复杂任务
- 评估方案优劣
- 做出决策判断
行动（Action）：调用工具、执行任务
- 执行具体操作
- 与外部系统交互
- 解决实际问题
学习（Learning）：从反馈中改进
- 总结经验教训
- 优化策略方法
- 适应新情况
2. Agent vs 普通 LLM
理解 Agent 和普通 LLM 的区别，有助于正确使用和设计系统。
Agent vs LLM 对比：
LLM：
- 被动响应，被问才答
- 单次交互，无记忆连贯性
- 不主动调用工具
- 无法处理多步骤任务
Agent：
- 主动规划，分解任务
- 保持上下文连贯性
- 自主调用所需工具
- 持续执行直到目标达成
3. Agent 的类型
根据能力和用途的不同，Agent 可以分为多种类型。
Agent 类型分类：
按能力范围：
- 单一任务 Agent：专注于特定任务（如代码助手）
- 多任务 Agent：能处理多种类型任务
- 通用 Agent：具备广泛能力的助手
按自主程度：
- 受限 Agent：需要人类审批关键步骤
- 半自主 Agent：主要自动执行，定期汇报
- 完全自主 Agent：独立完成任务
按架构设计：
- 单-Agent：独立处理所有任务
- 多-Agent：多个 Agent 协作完成复杂任务
4. Agent 的工作流程
Agent 处理任务通常遵循一个循环迭代的工作流程。
Agent 工作流程：
1. 接收目标：理解用户想要什么
2. 分析规划：
- 分解为子任务
- 确定执行顺序
- 选择所需工具
3. 执行循环：
- 执行当前步骤
- 观察执行结果
- 判断是否成功
- 必要时调整计划
4. 完成任务：
- 汇总所有结果
- 组织最终输出
- 向用户汇报
5. 主流 Agent 框架
开发 Agent 应用通常使用成熟的框架，以下是主流选择：
主流 Agent 框架：
LangChain/LangGraph：
- 灵活的 Agent 构建框架
- 丰富的工具集成
- 支持多种 LLM
AutoGPT：
- 自主任务规划
- 互联网访问能力
- 长期记忆管理
CrewAI：
- 多 Agent 协作框架
- 角色定义清晰
- 任务分配机制
OpenAI Assistants：
- OpenAI 官方方案
- 内置工具支持
- 简化开发流程
6. Agent 设计模式
常见的 Agent 设计模式包括反思、工具使用、规划和多 Agent 协作。
四种核心 Agent 设计模式：
1. 反思（Reflection）：
- Agent 对输出进行自我评估
- 发现问题并改进
- 迭代优化结果
2. 工具使用（Tool Use）：
- 调用外部工具扩展能力
- 搜索、计算、执行代码等
- 结合 LLM 和工具优势
3. 规划（Planning）：
- 将复杂任务分解
- 制定执行步骤
- 按计划有序执行
4. 多 Agent 协作：
- 多个 Agent 各司其职
- 通过消息传递协作
- 解决单一 Agent 难以完成的任务
7. Agent 的挑战与风险
构建和使用 Agent 面临多方面挑战，需要谨慎应对。
主要挑战与风险：
1. 规划失效：
- 任务分解不当导致死循环
- 错误的步骤顺序
- 遗漏关键依赖
2. 工具误用：
- 参数构造错误
- 选择不适合的工具
- 工具返回结果误解
3. 成本控制：
- 多次 API 调用累积费用
- 复杂任务消耗大量 token
4. 安全风险：
- Agent 执行危险操作
- 数据泄露风险
- 缺乏有效监督机制
5. 幻觉问题：
- 虚假记忆和错误结论
- 对工具功能的误解
- 错误的自信判断
8. Agent 的最佳实践
设计可靠的 Agent 系统应遵循以下原则：
最佳实践建议：
1. 明确边界：清晰定义 Agent 能做什么、不能做什么
2. 安全优先：对危险操作增加人工审批机制
3. 可观测性：记录所有决策和操作，便于调试
4. 优雅降级：工具不可用时有备用方案
5. 成本控制：设置调用次数和费用上限
6. 渐进式复杂：从简单任务开始，逐步增加能力
7. 持续监控：实时监控运行状态，及时发现问题
9. Agent 的未来展望
Agent 技术正在快速发展，未来可能实现：更强的自主学习能力、多 Agent 生态系统、更好的人机协作模式，以及更广泛的应用场景。
10. 总结
AI Agent 是能够感知、推理、行动和学习的智能系统。与普通 LLM 相比，Agent 具有主动规划、工具调用、多步骤执行等能力。Agent 可分为多种类型（单任务、多任务、通用）和架构（单 Agent、多 Agent）。设计 Agent 需要考虑反思、工具使用、规划和协作等模式，同时注意安全、成本和可靠性挑战。
声明：本文由 AI 生成，可能存在错误或不准确之处。
最后更新：2026-01-29