Agent 工作原理：感知→规划→行动→反思
Agent 不是魔法。它是一个循环：看情况 → 想办法 → 干活 → 看结果 → 再调整。理解这个循环，你就理解了所有 Agent。
🔄 核心循环：OOO Loop
Agent 的本质是一个观察-行动-观察循环（Observe-Orient-Act Loop），更完整的版本是：
感知（Perceive） → 规划（Plan） → 行动（Act） → 反思（Reflect）
↑ ↓
└────────────────────────────────────────────────────┘这不是理论模型，而是所有 Agent 的实际运行方式——从 Claude Code 到 AutoGPT，都在做这个循环。
🧠 三件套：LLM + 记忆 + 工具
Agent 由三个核心组件构成，缺一不可：
1. LLM（大脑）
作用：理解、推理、决策、生成
关键能力：
- 理解用户意图（"帮我重构这个模块" → 拆解为具体步骤）
- 规划执行路径（先读代码 → 分析结构 → 制定方案 → 逐步修改）
- 生成行动指令（调用哪个工具、传什么参数）
- 处理执行结果（代码跑通了？有报错？需要调整？）
2026 年趋势：
- 推理模型（o3、DeepSeek-R1）让规划更准确
- 长上下文（200k+ tokens）让 Agent 看到更多项目代码
- 多模态理解让 Agent 能"看"截图、UI、图表
2. 记忆（经验）
作用：存储历史信息，避免每次从零开始
| 类型 | 存什么 | 生命周期 | 示例 |
|---|---|---|---|
| 短期记忆 | 当前对话上下文 | 单次会话 | "用户要求用 Python" |
| 工作记忆 | 当前任务的中间状态 | 任务期间 | "已修改 3 个文件，还差 2 个" |
| 长期记忆 | 项目知识、用户偏好 | 永久 | "这个项目用 FastAPI + PostgreSQL" |
记忆管理的关键问题：
- 容量：上下文窗口有限，需要压缩和筛选
- 检索：如何从大量记忆中找到相关信息（向量检索 vs 关键词检索）
- 更新：什么时候写入新记忆、什么时候清理旧记忆
- 优先级：哪些信息更重要，不能被压缩掉
深入学习：记忆管理设计模式 →
3. 工具（手脚）
作用：执行具体行动，连接外部世界
常见工具类型：
| 类别 | 工具 | 做什么 |
|---|---|---|
| 代码 | 终端执行、文件读写 | 写代码、跑测试 |
| 搜索 | 网页搜索、知识库检索 | 查信息、找文档 |
| 数据 | 数据库查询、API 调用 | 取数据、做分析 |
| 浏览器 | 网页操作、截图 | 看页面、做 QA |
| 通信 | 邮件、消息推送 | 发通知、协同 |
工具调用的关键问题：
- 选择：Agent 怎么知道该用哪个工具？（靠 LLM 推理 + 工具描述）
- 参数：怎么传正确的参数？（靠 JSON Schema 描述 + LLM 生成）
- 错误：工具调用失败了怎么办？（重试、降级、人工介入）
- 安全：Agent 能执行真实操作，需要权限控制
深入学习：工具使用设计模式 → | MCP 协议 →
📐 四种推理模式
Agent 怎么"想"？有四种主流模式：
1. CoT（Chain of Thought）— 分步推理
问题: "这个函数为什么报错？"
思考:
1. 先看报错信息 → TypeError: 'NoneType' object is not subscriptable
2. 找到出错行 → line 42, data['key']
3. 分析原因 → data 可能是 None
4. 查上游 → 函数 get_data() 在某些情况下返回 None
5. 结论 → 需要加 None 检查适用：需要逻辑推理的任务（调试、分析、规划）
2. ReAct（Reasoning + Acting）— 边想边干
思考: 需要查看项目结构 → 行动: ls 项目目录
观察: 看到 src/, tests/, config/ → 思考: 先看 src/ 下的文件
行动: cat src/main.py → 观察: 发现用了 FastAPI
思考: 需要看路由定义 → 行动: cat src/routes.py
...适用：需要与环境交互的任务（代码修改、信息检索）
3. Plan-and-Execute — 先规划后执行
规划阶段:
1. 分析需求 → 需要加用户认证
2. 制定计划 → [设计模型 → 写路由 → 加中间件 → 写测试]
3. 确认计划 → 用户同意后开始
执行阶段:
1. 执行步骤1 → 创建 User 模型
2. 执行步骤2 → 写 /auth 路由
3. ...适用：复杂、多步骤的任务（项目开发、系统重构）
4. Reflection — 做完回头看
执行: 写了一段代码
反思: 这段代码有什么问题？
1. 性能 → 查询没有索引，可能慢
2. 安全 → 没有输入验证
3. 可维护 → 硬编码了配置值
改进: 加索引、加验证、提取配置适用：需要质量保证的任务（代码审查、方案优化）
⚠️ Agent 会犯什么错
理解 Agent 的工作原理，也要理解它的失败模式：
| 错误类型 | 原因 | 例子 | 防御 |
|---|---|---|---|
| 幻觉 | LLM 生成不存在的信息 | 编造一个不存在的 API | 交叉验证、工具确认 |
| 循环 | 规划出错，反复尝试同一方案 | 连续 5 次用同样的方法修 bug | 设置最大迭代次数 |
| 工具误用 | 选错工具或传错参数 | 用搜索工具去查本地文件 | 清晰的工具描述 + Schema |
| 上下文溢出 | 记忆太多，丢失关键信息 | 忘了用户最初的需求 | 上下文压缩、优先级管理 |
| 过度自主 | 自行做高风险决策 | 直接删除生产数据库 | 人类审批、权限边界 |
关键认知：Agent 的可靠性 = LLM 质量 × 工具可靠性 × 人类把关程度。三者缺一，Agent 就不可靠。
🔗 延伸阅读
- Agent 类型全景 → — 不同 Agent 擅长什么
- MCP 与工具集成 → — Agent 怎么连接外部世界
- Agent 框架选型 → — 用什么框架造 Agent
- Agent 设计模式完整教程 → — 21 个设计模式深入