一个不能“观察环境”的智能体，只是一个大型提示词。

一个能够“感知状态＋基于状态决策”的智能体，才是真正的 Agent。

当你开始做真正的智能体系统时，会遇到一个共同痛点：

• 用户让 Agent 做任务时，它不知道“当前状态是什么”
• 工作流执行到一半断掉后无法续跑
• Agent 不知道文件是否已生成、数据是否已准备好
• Agent 只会“一次性生成”，不会“根据环境变化做动作”
• Agent 在流程中迷路，搞不清楚下一步是什么

这些根本问题，本质都是： 缺乏环境感知（ Environment Awareness）和状态检查（State Checking）。

今天我们把这个问题讲透，给你提供一个可直接用于生产级 智能体的环境感知机制。

1. 什么是“环境感知”？

环境感知指的是：智能体在执行任务前、执行中、执行后，通过观察外部环境来判断：

• 我现在在哪里？
• 我应该做什么？
• 我应该执行哪个工具？
• 我该继续任务、重试、回滚还是结束？

比如以下场景：

表格 还在加载中，请等待加载完成后再尝试复制

没有这些感知机制，任何多步骤任务都会变得脆弱。

2. 什么是“状态检查”？

状态检查的目标是：

不要让智能体凭空“猜测下一步”， 而要让它基于可观察状态做决策。

具体分为三类：

① 环境状态（Environment State）

外部世界的信息，比如：

• 文件是否存在？
• API 是否可用？
• 目录里是否已经有输出？
• 搜索结果是否为空？

② Agent 内部状态（Internal State）

智能体自己的状态机器，比如：

• 当前流程处在哪一步？
• 哪些工具已调用？
• 是否有中断？
• 是否需要回滚？

③ 用户状态（User State）

与用户有关的信息，比如：

• 用户是否已提供全部参数？
• 用户是否确认目标？
• 用户是否中途修改需求？

3. 环境感知 = 工具调用之前的“前置工具”

关键一句话：

环境感知不是能力，而是工具。

它由一组“检查工具（Check Tool）”组成，比如：

• check_file_exists(path)
• check_api_status(url)
• check_text_quality(text)
• check_model_output_valid(json_schema)
• check_step_finished(step_id)
• check_memory(record_id)

这些都是 Agent 的“数学感官”。

4. 环境感知的标准流程

一个 Agent 要执行动作前，必须遵循以下流程：

[Step 1] 读取上下文（memory / cache / db）
         ↓
[Step 2] 观察环境（观察工具）
         ↓
[Step 3] 判断当前状态
         ↓
[Step 4] 推理下一步（LLM）
         ↓
[Step 5] 调用技能 / 工具
         ↓
[Step 6] 记录状态 (memory/state log)

这就是 Agent 的“循环神经系统（feedback loop）”。

5. 具体示例：自动生成日报的智能体

假设你让一个 Agent 自动生成日报：

流程：

1.  检查当天是否已经生成日报
2.  检查数据库是否有当天数据
3.  数据不足 → 生成错误报告
4.  数据存在 → 汇总数据
5.  生成 markdown
6.  写入文件
7.  检查写入是否成功

❌ 没有环境感知的版本：

Agent 会试图直接写日报 → 数据缺失 → 生成错误内容 → 文件重复 → 覆盖旧内容

✔ 有环境感知的版本：

检查今天的输出文件？
    是 → 结束
数据库有数据？
    否 → 写错误报告
    是 → 继续
生成报告
检查报告是否符合 schema？
写入文件
校验文件是否写入成功？

智能体成为一个真正的“自动化机器人”。

6. 如何实现环境感知？（四层架构）

① 最低层：检查工具（Check Tools）

如：

check_file(path)
check_json(json_str)
check_step(step_name)
check_url_status(url)

这些是“传感器”。

② 中间层：状态管理器（State Manager）

职责：

• 存储当前流程状态（step1 → step2 → step3…）
• 存储历史状态
• 记录执行日志
• 将状态返回给 LLM

就像一个 Redux Store 或 Vuex Store。

③ 上层：状态机（State Machine）

工作流 = 状态机

每个状态有：

• 进入条件
• 离开条件
• 能力（调用哪些 Skill）
• 可转移状态（next states）

例如：

INIT → CHECK_DATA → ANALYZE → WRITE → VERIFY → DONE

④ 最高层：LLM 决策（Reasoning Layer）

LLM 根据状态推理下一步：

• 使用哪个 Skill？
• 是否重试？
• 是否中断？
• 是否跳到 fallback？

7. 可以直接使用的 Prompt 模板

环境感知 Prompt

你是一个具备环境感知能力的智能体，你必须先观察再行动。
请根据以下信息决定下一步：
【当前环境状态】
{{environment}}
【当前任务状态】
{{task_state}}
【用户目标】
{{user_goal}}
请严格输出：
是否具备继续执行的条件（yes/no）
2. 如果 yes：下一步应该做什么？调用哪个技能？
3. 如果 no：缺少什么？需要用户补充或需要检查哪些数据？
输出 JSON：
{"can_continue": "...","next_step": "...","next_skill": "...","reason": "..."
}

8. 3 类工程级环境感知模式

模式 1：静态条件检查

适用于：

• 文件是否存在？
• 参数是否齐全？

模式 2：动态环境变化检查

适用于：

• 数据是否更新？
• API 是否恢复？
• 用户是否修改目标？

模式 3：循环轮询（持续运行）

流程：

检查环境 → 决定是否运行 → 运行 → 更新状态 → 休眠 → 继续

适用于：

• 定时自动任务
• 自动巡检
• 自动清洗数据
• 自动代理执行器（autonomous agent）

9. 总结

• 环境感知 = 智能体的“传感器系统”
• 状态检查 = 智能体的“自我意识与决策基础”
• 两者是工作流、自动化、技能系统的地基
• 生产级智能体必须具备环境感知能力
• 没有环境感知的 Agent = 脆弱、不可控、不可靠