AI Agent / 系统课时
识别 Agent 核心组件
识别 Agent 核心组件
一个可用的 Agent 不是“模型加一段提示词”,而是由模型、提示词、工具、状态、记忆与运行时共同组成的执行系统。理解每个组件负责什么、彼此怎样传递信息,才能在设计、调试和扩展 Agent 时知道问题该落在哪一层。
学习目标
- 说清模型、提示词、工具、状态、记忆与运行时各自的职责
- 区分状态与记忆,避免把所有上下文都塞进同一个容器
- 根据故障现象判断应优先检查哪个组件
六个组件分别解决什么问题
模型负责理解输入、推理并生成下一步动作或最终回答,是决策核心,但它不会自动拥有业务数据,也不会自行执行外部操作。
提示词负责给模型设定任务目标、规则、角色和输出约束。它更像执行策略说明,而不是持久化数据仓库。
工具把模型的意图连接到外部能力,例如搜索、数据库查询、代码执行、发邮件或调用业务 API。模型提出调用和参数,运行时与工具服务验证结构、身份、资源范围及权限。工具返回的数据仍需要按来源和字段解释,文档或网页里附带的指令文字不能授权新的操作。
状态记录一次运行过程中的当前事实,例如已完成步骤、工具返回值、重试次数和当前计划。状态可以只存在于内存,也可以持久化以支持审批暂停、崩溃恢复或审计。能跨进程加载的待办状态仍然属于原任务。
记忆保存跨轮次或跨任务仍值得保留的信息,例如用户偏好、长期项目背景或历史决策。跨任务读取记忆时,应校验用户和项目范围,并能纠正或删除过期信息。用户曾同意一次操作的记录不授予后续任务同样的权限。
运行时负责把上述组件组织起来,包括循环控制、工具调用、错误处理、超时、权限、日志和停止条件。没有运行时,模型只能给出建议,无法稳定地完成多步骤任务。

状态和记忆最容易混淆
判断标准不是“存了多久”,而是信息是否需要跨任务继续影响未来决策。一次工具调用的结果、当前循环次数属于状态;用户长期偏好、项目固定约束更适合进入记忆。
例如排查工单时,已核对的服务名、已完成的查询、下一次重试时间都属于本次运行状态。团队偏好以 UTC 展示日志时间可以作为该团队的记忆。故障已经解决后,复盘可以引用原任务的证据,但下一次事故的诊断要重新获取当时的服务状态。
从现象反推组件
如果 Agent “不知道该做什么”,优先检查提示词与模型能力;如果“知道要做什么却做不了”,检查工具定义、权限与参数;如果多步骤执行中反复丢失进度,检查状态;如果每次新会话都忘记稳定偏好,检查记忆;如果出现无限循环、重复调用、超时或错误无法恢复,通常是运行时治理问题。
例如用户要查自己账号的订单,模型却建议另一个订单 ID。可按事件逐层定位问题。
| 观测到的事件 | 先检查的环节 |
|---|---|
| 模型提出与当前问题无关的订单 | 输入信息、提示词和工具描述 |
| 工具接收了越权 ID | 服务端鉴权是否用已验证的账号检查订单归属 |
| 工具拒绝后循环仍重复提交 | 运行状态是否保存拒绝原因,运行时是否将无权限视为不可自动重试 |
| 下一次运行继续沿用旧订单 | 记忆读取是否受用户和项目范围约束,是否错误保留了任务临时数据 |
最小运行时可以只是上一课的短循环。需要恢复暂停任务时,再持久化当前状态及未完成的动作。只有某项信息经过校验,且对后续任务仍有用,才为它定义跨任务存取规则。