你真的了解Agent吗？

2026年初到现在AI的热度的一直没有消停过，同时身边“广进”计划也从未停歇，传统码农也早早告别了古法编程的赛道，开启了Vibe Coding, 资本认识到这一点后，广进的大船又进一步加速了...

好了，停一下 我们这篇其实主要是要讲Agent，Agent这个词在本人的认知里，最先出现的APM监控工具，通过Agent探针技术实现无侵入式的进行系统级，应用级的监控技术工程。

现在大家讨论的Agent主要是AI Agent 又叫做AI智能体，然鹅Agent这个称呼最早出现在1998年08月谷歌学术论文的一篇paper里面, 叫做《Modelling social action for AI agents》

主要讲述人工智能（特别是多智能体系统）中的**“社会智能（Social Intelligence）”**奠定了严密的本体论基础。论文的核心主张是：集体的联合行动（Joint Action）不能被简单还原为个体的非社会性行动，它必须建立在个体所具备的“社会性行为与心智”之上。

主要分三块：

• 社会行为的基础：干涉、依赖与心智解读
• 协作的核心认知机制：委托与接纳
• 呼唤“综合范式”：认知与涌现的融合

论文严谨剖析了多智能体合作背后的“认知解剖学”，指出真正的社会人工智能必须建立在深刻理解他人意图、合理进行目标委托与接纳、并顺应自发涌现的社会依赖网络的基础之上

虽然背景很重要，但是扯远了...

在24年01月一篇名为《Agent AI: Surveying the Horizons of Multimodal Interaction》发表，Agent AI (智能体AI) 再次被谈起

多模态与跨现实通用人工智能的新兴智能体 AI 范式图

彼时，Agent的时代终于真的到来了， 各行各业也都开始了Agent智能体的业务平台的初体验，随着n8n,dify,coze等工作流也推向了市场，受到了资本的追捧 Agent也不再是那个单纯的Agent了，开始被重新定义：

Agent 🟰 记忆 ➕ 工具 ➕ 行动 ➕ 规划

这时候小明会跳出来说:讲人话！

ok！我们来剖析一下：

记忆对应是什么？

记忆:（包括短记忆和长记忆还有图记忆）对应的是存储，是上下文工程 Context, 是持久化的数据，是结构化数据，是关系型数据库，是向量数据库，也是LangChain里面的BufferMemory，是Graph Memory，是Redis,.... 是不是有那种🫴feel了？

小明憋的脸通红又问：那工具是什么呢？

工具: 是各种RAG (txt,csv,excel,pdf...)，是Function Calling，是MCP，是Skill，是外部的API, 是一种获取“记忆”（数据）的手段；

小明笑嘻嘻问：那规划呢？

规划的本质: 规划是推理的过程，涉及到COT，TOT,GOT等等 把任务做编排，大目标拆分小步骤，再把步骤按逻辑串联起来，可以使用LangChain，Langgraph作为框架，来定义Agent的流程，循环，分支，配合LLM大语言模型做决策，实现Plan-And-Execute，ReAct规划的逻辑；LLM是规划的核心引擎，LangChain是基础规划器，LangGraph是侧重编排，规划复杂是用LangGraph

行动是ReAct里面的Action啊，行动就是你老板给你画的饼，你把这个饼做出来然后吃掉！

行动就是「把规划好的步骤落地执行」：规划是 “我要做 A 然后做 B”，行动就是 “真的去调用 A 工具、真的去输出 B 结果”，就是执行层。

现代人工智能代理架构的核心组成部分,取自25年08月的一篇《A Comprehensive Review of AI Agents: Transforming Possibilities in Technology and Beyond》论文的部分：

AI Agent核心组件

那么Agent和RAG和LLM大模型之间的关系：

解释完Agent之后，我们来谈谈到底有多少种Agent模式？有人说4种，也有人说7种，也有说8种？啥也不说了 学吧...

字某节平台非官方总结了4种AI Agent模式：

1.反思模型Agent - 2.工具使用模式Agent- 3.规划模式Agent- 4.多Agent协作模式

出处: https://adg.csdn.net/694d04515b9f5f31781ace9a.html

豆某包上不带溯源的结果是8种：

1.ReAct 模式-2.规划执行模式-3.自我反思模式-4.工具增强模式-5.思维树模式-6.记忆增强模式-7.多智能体协作模式-8.自主智能体模式

咳咳，墙外统一7种Agent模式，某论坛得出：人工智能代理复杂程度阶梯

七大类型Agent：

1.Simple Reflex Agents 简单反射智能体

简单的反射型智能体根据预定义的规则行事，并对特定条件做出反应，而不考虑过去的行为或未来的结果。它们的决策过程很简单：当遇到触发因素时， 它们会执行预设的动作

示例 1：在银行业，简单的反射代理可以立即标记符合预定义标准的潜在欺诈交易。

示例 2：在保险领域，简单的反射式代理可以在收到索赔申请后自动向保单持有人发送确认电子邮件。

2.Model-Based Reflex Agents 基于模型的反射智能体

基于模型的反射智能体更进一步，它们会构建自身环境的内部模型，从而在决策时考虑过往状态。这种模型有助于它们适应部分可观测的环境，并有效应对不断变化的情况。

示例 1：在供应链管理中，库存跟踪代理使用基于模型的方法来监控库存水平、预测未来需求并根据需要调整订单。

示例 2：在银行业，基于模型的反射代理可以通过维护申请人个人资料和当前承保准则的内部模型来协助贷款处理

3.Goal-Based Agents 基于目标的智能体

目标导向型智能体做出决策旨在实现特定结果。与简单的反射型智能体或基于模型的智能体不同，它们会评估不同的行动，以找到最能帮助它们接近既定目标的行动。

它们用途广泛，适用于有多种可能操作的任务，每种操作都有不同的后果。

示例 1：物流路线规划代理会根据距离和时间等因素寻找最佳配送路线。它们会不断调整路线，以达到最高效的状态。

例 2：工业机器人可以按照特定的顺序组装产品，调整其动作以高效地实现预定义的组装目标

4.Utility-Based Agents 基于效用的代理

基于效用的智能体致力于实现目标并最大化“效用”或偏好等级。这种效用函数使它们能够处理具有多种可能解决方案的任务，并评估哪种方案能带来最佳的总体结果。

示例 1：金融投资组合管理代理人根据风险、回报和多元化等因素评估投资，通过选择提供最大价值的选项来进行运作。

示例 2：资源分配系统可以平衡机器使用率、能源消耗和生产目标，从而最大限度地提高整体效率和产量。

5.Learning Agents 学习代理

学习型智能体能够根据经验和反馈不断调整和改进自身行为。它们也可以被视为预测型智能体，因为它们利用历史数据和当前趋势来预测未来事件或结果。通过这种方式，它们会调整自身行为以提升未来表现，而这通常运用机器学习技术。

示例 1：电子商务网站中的推荐引擎是学习代理，根据用户交互和偏好改进产品建议。

示例 2：客户服务聊天机器人可以通过学习以前的互动并适应用户需求，随着时间的推移提高响应准确性。

6.Multi-Agent Systems (MAS) 多智能体系统（MAS）

多智能体系统（MAS）由多个人工智能智能体组成，这些智能体在共享环境中 协作或竞争。

每个智能体都专注于一项任务，从而能够处理更复杂、相互依赖的工作流程。这种多智能体系统具有可扩展性，非常适合需要对各种输入做出动态响应的任务。

示例 1：智慧城市交通管理系统利用 MAS 通过使用多个代理来管理交通信号灯、监控拥堵情况并建议替代路线，从而调节交通流量。

示例 2：我们的 AI 代理也可以作为多智能体系统 (MAS) 运行。它们旨在实现无缝通信，从而为您的企业实现标准化协议和更流畅的工作流程。

7.Hierarchical Agents 层级式代理

层级式智能体在不同层级间运行，每个层级负责结构内不同的任务或决策。它们将多种智能体类型组合成一个层级结构，其中较低层级的智能体处理特定任务，而较高层级的智能体管理更广泛的目标。

示例 1：在制造业中，质量控制代理构成一个层级系统，其中低级人工智能代理检查单个产品，高级代理则分析数据以识别模式并提高产品质量。

示例 2：在无人机自主运行中，机器人任务规划会将配送任务分解成更小的任务。底层智能体负责精确导航和避障，而高层智能体则负责路线优化、配送时间和有效载荷管理

按功能角色划分的 6 种人工智能代理类型

最后还有一种的话大概就是当下最最最最最火火火火火火火🔥🔥自主规划Agent啦..

但其实Muitl Agent也衍生出好多优秀的开源作品。 下期介绍！ thanks！

refer:https://www.sciencedirect.com/science/article/pii/S0004370298000563?via%3Dihub

https://arxiv.org/html/2508.11957v1