1 是

1. 具备“自感知、自规划、自执行、自反馈”的AI系统。核心特点是：“无需人类持续关注，就能完成复杂目标”。
2. IBM：通过设计工作流、借助可用的工具，自动执行的任务的系统。

2 Why

解决当前AI工具被动响应、能力单一的问题：用户需要明确指令、分步操作、无法自动处理跨工具的复杂任务。

3 How

3.1 标准工作流程

感知Perception

接受用户指令、理解目标、环境 如“编写一份新能源汽车报告”

规划Planning

拆解任务、规划执行路径 1） 搜索新能源汽车销售数据；
2） 分析Top3品牌策略；
3） 收集国家政策和趋势
4） 输出报告；
5） 各步调用的工具和输出。

执行Execution

调用工具、执行步骤
1） 调用API、工具；
2） 容错。

反馈Feedback

验证结果与迭代优化
1） 检查是否满足结果；
2） 如不满足，重新调整，继续执行。

3.2 核心组件

3.2.1 LLM：

智能的大脑。负责：
1） 理解用户意图；
2） 分解任务步骤；
3） 明确可调用工具

3.2.2 Memory

为了让大模型能够解决复杂问题，克服大模型的会话遗忘（会不断忘记之前的步骤和决策），模拟人类大脑，构建了memory。
1） 信息长期保留：存储超过LLM上下文窗口的的信息，避免遗忘。
2） 确保决策连续性：跟踪多任务进展和中间过程，保证决策的连贯。
3） 个性化：记录日志和用户交互日志，实现自我改进何知识更新。

3.2.3 Planning规划

1）子目标和分解：LLM Agent 能够将大型任务分解为较小的、可管理的子目标，以便有效的处理复杂任务；
2）反思和细化：LLM Agent 可以对过去的行为进行自我批评和反省，从错误中吸取经验教训，并为接下来的行动进行分析、总结和提炼，这种反思和细化可以帮助 Agents 提高自身的智能和适应性，从而提高最终结果的质量。

3.2.4 Tool Use

可以学习如何调用外部 API，以获取模型权重中缺少的额外信息，这些信息通常在预训练后很难更改，包括当前信息、代码执行能力、对专有信息源的访问等。

4 Where

适用：复杂任务，多步骤、跨工具、需自主决策的。
不适用：简单的、单点任务。如翻译一句话、画一只猫。

1. 信息处理类：搜集->整理->分析。如：手机行业趋势分析？
2. 流程执行类：按步骤、跨工具。如给本月生日同事发祝福邮件。
3. 长期跟踪类：持续监控+动态调整。如跟踪对方报价，若低于我方10%，给出新的调价建议。

5 思考与实践

5.1 问题

5.1.1 人类的任务种类有很对，LLM是如何规划的？如编码与规划是不同拆分？

6 参考

1. LLM Agent 简介 简洁，适合了解
   https://cloud.tencent.com/developer/article/2378832
2. Agent近期记忆技术及落地实践整理 对memory有深入的讲解，图文全面 https://cloud.tencent.com/developer/article/2588486?policyId=20240000&traceId=&frompage=homepagehttps://cloud.tencent.com/developer/article/2588486?policyId=20240000&traceId=&frompage=homepage
3. Agentic AI基础设施实践经验系列（三）：Agent记忆模块的最佳实践 干货多，总结简练
   【优】 https://aws.amazon.com/cn/blogs/china/agentic-ai-infrastructure-deep-practice-experience-thinking-series-three-best-practices-for-agent-memory-module/