基于Datawhale的hello-agent开源项目做的一些笔记，内容仅供参考，原PDF以及代码可以去github仓库获取https://datawhalechina.github.io/hello-agents
在集齐了符号推理、强化学习决策和 LLM 通用知识库这三块拼图后，现代智能体终于诞生了。它不再是一个单纯的语言模型，而是一个拥有感知、记忆、规划和工具使用能力的自主系统。

2.4.4 基于大语言模型的智能体

随着大型语言模型技术的飞速发展，以 LLM 为核心的智能体已成为人工智能领域的新范式。它不仅能够理解和生成人类语言，更重要的是，能够通过与环境的交互，自主地感知、规划、决策和执行任务 。

核心架构图解

如第一章所述，智能体与环境的交互可以被抽象为一个核心循环。LLM 驱动的智能体通过一个由多个模块协同工作的、持续迭代的闭环流程来完成任务。该流程遵循下图所示的架构：

工作流详解：感知-思考-行动循环

该流程具体遵循以下步骤 ：

1. 感知 (Perception)

• 输入：流程始于感知模块 (Perception Module)。它通过传感器从外部环境 (Environment) 接收原始输入。
• 转化：形成 观察 (Observation)。这些观察信息（如用户指令、API 返回的数据或环境状态的变化）是智能体决策的起点。
• 流向：处理后的信息将被传递给思考阶段。

2. 思考 (Thought)

这是智能体的认知核心，对应图中的 规划模块 (Planning Module) 和 大型语言模型 (LLM) 的协同工作。

• 规划与分解：规划模块接收观察信息，进行高级策略制定。

• 关键机制：通过 反思 (Reflection) 和 自我批判 (Self-criticism) 等机制，将宏观目标分解为更具体、可执行的步骤。

• 推理与决策： 作为中枢的 LLM 接收来自规划模块的指令。

• 记忆交互：与记忆模块 (Memory) 交互以整合历史信息。

• 输出：LLM 进行深度推理，最终决策出下一步要执行的具体操作，这通常表现为一个 工具调用 (Tool Call)。

💡 深度解析：为什么需要规划？
纯粹的 LLM 是“单步推理”的，容易陷入局部最优。规划模块（如 ReAct, Plan-and-Solve）强制 LLM 先生成一个“计划清单”，然后逐一执行。这大大提升了处理复杂长程任务（Long-horizon Tasks）的成功率。

3. 行动 (Action)

决策完成后，进入行动阶段，由 执行模块 (Execution Module) 负责。

• 解析：LLM 生成的工具调用指令被发送到执行模块。
• 调用：该模块解析指令，从工具箱 (Tool Use) 中选择并调用合适的工具（如代码执行器、搜索引擎、API 等）来与环境交互或执行任务。
• 交互：这个与环境的实际交互就是智能体的 行动 (Action)。

4. 观察 (Observation) 与循环

行动会改变环境的状态，并产生结果，从而闭合循环。

• 工具反馈：工具执行后会返回一个 工具结果 (Tool Result) 给 LLM，这构成了对行动效果的直接反馈。
• 环境变更：智能体的行动改变了环境，产生了一个全新的环境状态。
• 新一轮循环：“工具结果”和“新的环境状态”共同构成了一轮全新的观察。
• 记忆更新：LLM 根据行动结果 更新记忆 (Memory Update)，启动下一轮“感知-思考-行动”的循环。