第2章：大脑、手脚与记忆

本章解决的核心问题：一个 Agent 内部到底是怎么运作的？它怎么把一个模糊目标拆成可执行的步骤？它怎么「记住」之前做过的事？它的「大脑」「手脚」「记忆」之间是什么关系？

读完这一章，你会看到一个 Agent 的完整「解剖图」。

2.1 Agent 的经典架构

🎨 漫画图解：〈Agent 透明解剖室〉

先把 Agent 拆开。下面这张图是几乎所有现代 LLM Agent 的通用架构：

flowchart TB
    User[👤 用户输入] --> Agent

    subgraph Agent[🤖 AI Agent]
        direction TB
        Brain[🧠 大脑 LLM
推理 · 决策 · 生成]
        Plan[📋 规划模块
目标分解 · 步骤排序]
        Mem[💾 记忆系统
短期 · 长期 · 经验]
        Tools[🔧 工具层
搜索 · API · 文件 · 终端]

        Brain <-->|思考与决策| Plan
        Brain <-->|读写记忆| Mem
        Brain -->|决定调用工具| Tools
        Tools -->|返回结果| Brain
    end

    Tools <-->|交互| World[🌍 外部世界
网页 · 数据库 · 文件系统 · API]
    User -->|反馈| Brain

这张图里的每个模块，我们逐一拆开看。

2.2 大脑：LLM 在 Agent 里的角色

Agent 的大脑就是一个大语言模型（LLM）。没有 LLM，Agent 就是一个没有灵魂的躯壳。

但 LLM 在 Agent 里的角色，跟在 ChatGPT 里的角色不太一样：

Agent 里的 LLM 不只是一个「回答者」，它是一个「决策者」。 它需要判断：「现在是什么情况？我该干什么？我需不需要查点什么？上一个操作成功了吗？下一步是不是该换个策略？」

这种「元认知」能力——知道自己在干什么、评估自己的进度、在发现错误时调整策略——是 Agent 区别于普通聊天机器人的关键。

2.3 规划模块：从模糊目标到执行步骤

🎨 漫画图解：〈三种规划法闯迷宫〉

这是 Agent 最展现「智能」的地方。用户说「帮我做一份竞品分析」，这句话在 Agent 内部要拆成这样：

flowchart TB
    Goal[🎯 用户目标：帮我做一份竞品分析] --> Step1

    subgraph 规划
        direction TB
        Step1[步骤1：确认行业和主要竞品名单]
        Step2[步骤2：搜索各家产品信息]
        Step3[步骤3：对比功能、定价、市场份额]
        Step4[步骤4：搜索用户评价和第三方评测]
        Step5[步骤5：生成结构化分析报告]
        Step6[步骤6：检查报告完整性 → 有遗漏则回到步骤2]
    end

    Step1 --> Step2 --> Step3 --> Step4 --> Step5 --> Step6

Agent 不是一次性规划好所有步骤——它通常是边执行边规划。因为现实世界的反馈往往是不可预测的：你搜到的竞品可能和你预想的不一样，数据源可能打不开，报告格式可能需要调整。

主流规划方法

现在业界最主流的 Agent 规划方法有三类，我用人话逐一翻译：

ReAct（Reasoning + Acting）：边想边干

全称：Reasoning + Acting。2022 年由 Google 和普林斯顿的团队提出。

核心思想：不要「先全局规划再执行」，而是要「想一步、做一步、看一眼结果、再想下一步」。

flowchart LR
    T1[💭 思考：我需要知道竞品有哪些] --> A1[🔧 行动：搜索「新能源汽车 主要品牌 2025」]
    A1 --> O1[👁️ 观察：搜到了比亚迪、蔚来、小鹏、理想...]
    O1 --> T2[💭 思考：名单有了。接下来我需要各家2025年的销量数据]
    T2 --> A2[🔧 行动：依次搜索各家销量]
    A2 --> O2[👁️ 观察：拿到了数据，但蔚来的数据有矛盾...]
    O2 --> T3[💭 思考：数据有矛盾，我需要交叉验证]
    T3 --> A3[🔧 行动：搜索「蔚来 2025 销量 官方数据」]

ReAct 是目前使用最广泛的 Agent 推理框架。LangChain、AutoGPT、Claude Code 都在不同程度上使用了 ReAct 的思想。

为什么 ReAct 有效？ 因为它模仿了人类解决复杂问题的方式——没有人会在开始做一件事之前把所有细节都规划好。我们都是「走一步看一步，边做边调整」。

Plan-and-Solve：先规划再执行

核心思想：先让 LLM 用一个专门的「规划提示词」把整个任务计划写好，然后让另一个专门的「执行提示词」按计划逐步执行。

优点：全局视角，不容易跑偏。
缺点：计划往往不切实际——因为 LLM 在规划时「不知道」执行中会遇到什么问题。就像你让一个没去过超市的人写购物清单——他可能会写上「新鲜松露」，但那东西在你家楼下超市根本买不到。

思维树（Tree of Thoughts）：多条路同时探索

核心思想：不要只规划一条路线。让 LLM 同时生成多个可能的「下一步」，评估每个选项，选最优的走——如果走不通，退回分叉点走另一条。

flowchart TB
    Start[问题：如何获取竞品数据？]
    Start --> A[方案A：搜索行业报告]
    Start --> B[方案B：爬取官网数据]
    Start --> C[方案C：购买第三方数据]

    A --> A1[找到了报告 ✓]
    A --> A2[报告数据太旧 ✗]
    B --> B1[官网有反爬 ✗]
    C --> C1[数据最新但成本高 🤔]

    A1 --> Best[选方案A！]

适用场景：选项多、不确定性高的任务——比如策略研究、创意生成。不适合：确定性高、步骤明确的任务——那些用 ReAct 更快。

类比：ReAct 是「走迷宫时每到岔路口就看一眼墙上的标记」；Plan-and-Solve 是「进迷宫之前先画一张地图」；思维树是「在每个岔路口派三个人分别走三条路，谁先到终点就喊其他人过来」。

2.4 记忆系统：Agent 的三层记忆

🎨 漫画图解：〈三层记忆公寓〉

记忆是 Agent 最容易被忽视、但最关键的能力。一个没有记忆的 Agent 就像一个永远在失忆的人——你刚告诉它你的名字，下一秒钟它就忘了。

flowchart TB
    subgraph 记忆系统
        direction TB
        WM[📝 短期记忆
Working Memory

当前对话上下文
容量：~128K-200K tokens
生命周期：单次会话]
        LM[📚 长期记忆
Long-term Memory

向量数据库存储
容量：近乎无限
生命周期：跨会话持久化]
        EM[🧬 经验记忆
Episodic Memory

任务执行轨迹
容量：取决于存储设计
生命周期：可配置]
    end

    WM -->|重要信息持久化| LM
    LM -->|检索相关知识| WM
    EM -->|经验指导决策| WM

短期记忆（上下文窗口）

短期记忆就是 LLM 的上下文窗口——模型在当前对话中能「看到」的所有内容。在 ChatGPT 里，这个上下文包含了你和它的对话历史。在 Agent 里，上下文包含：

• 用户最初的目标
• 之前的对话历史
• 工具调用的结果（搜索返回的内容、API 响应的数据）
• Agent 自己的思考记录
• 任务进度的跟踪

核心矛盾：上下文窗口是有限且昂贵的。

• GPT-4 Turbo 的上下文窗口是 128K tokens（大约 9 万多个英文单词，或 6 万多个中文字）。
• 听起来很大，但一个 Agent 任务跑几轮之后，工具返回的网页内容、API 响应、思考记录会迅速塞满它。
• 更关键的是：上下文越长，模型越贵、越慢、越容易在长文本中「迷失」——这被称为「迷失在中间」（Lost in the Middle）现象。

所以 Agent 不能什么都往上下文里塞——需要有一个长期记忆来分担。

长期记忆（向量数据库 + 持久化存储）

长期记忆把 Agent「经历过但不需要时刻想着」的信息存到外部。技术实现上，最常用的是向量数据库（在第3章详细讲）。

类比：短期记忆是你看病时医生手上拿的病例夹——包含这次就诊的关键信息。长期记忆是医院的电子病历系统——你的全部就诊历史、化验单、处方都在里面，医生需要时调出来看。

一个典型的 Agent 长期记忆使用场景：

你对 Agent 说「帮我整理一下上次我们讨论的那个营销方案」。

Agent 在长期记忆中搜索「营销方案」，找到三个月前的一段对话记录——那时候你们讨论过品牌定位、目标用户画像和投放渠道。Agent 把这段历史检索出来，放进当前上下文，然后基于这段历史给你整理。

如果没有长期记忆，Agent 只能说「我不记得我们讨论过这个」。

经验记忆（任务轨迹 + 失败教训）

经验记忆是三层记忆中最前沿、最少被落地的一个。它的核心思想是：Agent 应该从自己做过的事情中学习。

比如：

• 「上次做竞品分析时，我发现 Gartner 的报告质量最好，这次优先去 Gartner 找。」
• 「上次调用这个 API 时超时了三次，这次直接设置更长的 timeout。」
• 「这种格式的报告用户上次说太长了，这次压缩到两页。」

目前大多数 Agent 系统还没有成熟的经验记忆机制，但这是 Agent 进化的方向——第5章讲训练时会进一步讨论。

2.5 工具层：Agent 的手和脚

🎨 漫画图解：〈没有工具，只能干想〉

如果说 LLM 是 Agent 的大脑，工具就是 Agent 的手和脚。没有工具，Agent 就只能「想」不能「做」。

Agent 可以调用的工具类型：

工具调用的具体机制（Function Calling）在第4章完整拆解，这里先理解它在 Agent 架构中的位置就够了。

2.6 一个完整案例：Agent 的「订机票」之旅

🎨 漫画图解：〈一次订机票任务的完整旅程〉

理论讲完了，来看一个具体的执行案例。假设你对 Agent 说：「帮我订一张后天从北京到上海的机票，要白天的，便宜优先。」

下面是 Agent 内部实际发生的事情：

sequenceDiagram
    actor User as 👤 用户
    participant Brain as 🧠 LLM 大脑
    participant Mem as 💾 记忆
    participant Tool1 as 🔍 搜索工具
    participant Tool2 as ✈️ 机票API
    participant Tool3 as 📅 日历工具

    User->>Brain: 「帮我订后天北京到上海的白天机票，便宜优先」

    Note over Brain: 💭 思考：我需要先知道「后天」是哪天

    Brain->>Tool1: 调用：获取当前日期
    Tool1-->>Brain: 今天是 2026年7月22日，后天是 7月24日

    Note over Brain: 💭 思考：我需要查我的日历，看看7月24日有没有冲突

    Brain->>Tool3: 调用：查询 2026-07-24 的日程
    Tool3-->>Brain: 当天上午10点有会议，下午空闲

    Note over Brain: 💭 思考：下午有空，可以订下午的航班。
现在去查机票。

    Brain->>Tool2: 调用：搜索 PEK→SHA, 2026-07-24, 下午
    Tool2-->>Brain: 返回 15 个航班，价格 480-2200 元

    Note over Brain: 💭 思考：最便宜的三班：
1. 14:30 东航 480元
2. 16:00 国航 520元
3. 15:30 南航 610元
都在下午，用户有空。推荐第一个。

    Brain->>User: 「后天（7月24日）下午您有空。
最便宜的航班：14:30 东航MU5123，480元。
要帮您订这个吗？」

    User->>Brain: 「订」

    Brain->>Tool2: 调用：预订 MU5123, 2026-07-24
    Tool2-->>Brain: 预订成功！订单号 #A20260724-883

    Brain->>Mem: 存储：2026-07-24 已订机票 MU5123

    Brain->>User: 「已预订！✈️ 7月24日 14:30 北京→上海
东航MU5123 · 480元 · 订单号 #A20260724-883
起飞前2小时记得值机。」

注意这个过程中，Agent 做了几件 LLM 做不到的事：

1. 主动获取了当前日期——LLM 不知道「今天」是哪天。
2. 查询了用户的日历——了解用户的时间安排。
3. 调用了真实的机票 API——不是「编造」航班信息。
4. 做了多条件筛选——白天、便宜优先，两个条件同时满足。
5. 执行了写操作——不只是告诉你航班信息，而是真的帮你订了。
6. 存储了记忆——把这次预订单记下来，下次可以问「我上次订的机票是几号的来着？」

本章小结

下一章预告

刚才提到了一个关键概念——向量数据库，它是 Agent 长期记忆的技术基础。但它还有一个更重要的应用：RAG（检索增强生成）——这可能是 2024-2025 年 AI 落地最广的技术。

下一章我们彻底搞明白：RAG 到底是什么？它怎么把一段文字变成「能被搜索的向量」？RAG 和微调（Fine-tuning）有什么区别？什么时候该用哪个？

→ 第3章：RAG——给 Agent 装上外部知识库