AI Agent / 系统课时
划分智能体核心模块
划分智能体核心模块
构建智能体时,最容易出现的问题是把模型调用、工具执行、记忆管理等能力混在一起,导致系统难以扩展。本课将拆分智能体的核心模块,建立清晰的职责边界,为后续实现和演进提供基础。
学习目标
- 理解智能体系统中各核心模块的职责划分。
- 掌握模型层、运行时、工具层、上下文层、记忆层、执行层和验证层之间的协作关系。
- 能够根据需求设计可扩展的智能体结构。
理解智能体模块化设计
一个可维护的智能体不是单次调用大模型的脚本,而是由多个职责明确的模块协同完成任务。模块化的目标是让推理、行动、状态管理和质量控制相互独立。

模块拆分后,每个部分可以独立优化。例如更换模型只影响模型层,增加外部能力只需要扩展工具层,而不会破坏整个执行流程。
划分七个核心模块
模型层负责提供推理能力,包括理解输入、生成计划、选择行动等。它通常封装模型接口、提示词模板以及模型参数配置。
运行时是智能体的控制中心,负责接收任务、维护执行循环,并协调其他模块。例如一次任务可能经历“分析目标→调用工具→读取结果→继续推理”的多轮过程。
工具层连接外部能力,例如数据库查询、搜索接口、文件操作或业务 API。工具应该保持明确输入和输出,避免把复杂业务逻辑直接塞入模型提示词。
上下文层管理当前任务需要的信息,包括用户输入、历史消息、工具返回结果以及临时状态。它决定哪些信息需要提供给模型,避免上下文无限增长。
记忆层保存跨任务的信息,例如用户偏好、长期知识或历史经验。它与上下文不同,记忆需要经过筛选、存储和检索,不应该简单保存所有对话内容。
执行层负责真正完成动作,包括任务分解、步骤调度、错误恢复和结果提交。对于复杂任务,执行层需要控制流程,而不是完全依赖模型自由生成。
验证层用于检查智能体输出是否满足要求,例如结果格式、业务规则、安全限制和任务完成条件。没有验证层的智能体容易产生不可控结果。
模块之间如何协作
典型执行流程如下:用户提交任务后,运行时接收请求,将必要上下文交给模型层进行分析。模型决定是否调用工具,工具层执行外部操作并返回结果,运行时更新上下文,再次调用模型直到满足结束条件。
这种设计将“思考”和“行动”分开。模型负责判断,工具负责执行,验证层负责确认结果,使系统更容易调试。
一个简单的模块接口可以保持如下形式:
class AgentRuntime:
def __init__(self, model, tools, memory, validator):
self.model = model
self.tools = tools
self.memory = memory
self.validator = validator
def run(self, task):
context = self.memory.load(task)
plan = self.model.create_plan(task, context)
result = self.tools.execute(plan)
return self.validator.check(result)预期结果
智能体运行流程:任务输入 -> 加载记忆 -> 模型规划 -> 工具执行 -> 结果验证常见模块划分误区
一种常见错误是只设计模型层和工具层,把所有状态、流程和错误处理都放在主程序中。这样的小型 Demo 可以运行,但随着功能增加会迅速失控。
另一个问题是过度拆分。并不是每个函数都需要成为独立模块,拆分应该围绕变化频率和职责边界,而不是代码数量。
本课总结
- 智能体需要通过模块化拆分隔离推理、执行、状态和验证职责。
- 七个核心模块共同组成完整运行闭环,而不是简单的大模型调用。
- 清晰的模块边界能够降低扩展和排障成本。
下一课预告
下一课将讨论如何确定第一版智能体的实现范围,选择最小可用能力,避免在早期引入过度复杂的架构。