Agent的核心循环

一个Agent本质上在做这件事：

1

感知 → 思考 → 行动 → 反馈 → 继续思考...

用代码表示：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

while not done:
    # 1. 理解用户要什么
    intent = understand(user_input)
    
    # 2. 想想怎么做
    plan = think(intent, memory)
    
    # 3. 动手执行
    result = act(plan, tools)
    
    # 4. 看看结果对不对
    if verify(result):
        done = True
    else:
        memory.add(result)  # 记住失败，下次改进

三个关键模块

1. 记忆系统

Agent和普通LLM调用的区别：Agent会记东西。

1
2
3
4
5
6
7
8
9

class Memory:
    short_term = []  # 当前对话历史
    long_term = {}   # 跨对话的知识
    
    def remember(self, key, value):
        self.long_term[key] = value
    
    def recall(self, query):
        return search(self.long_term, query)

实际应用：

  • 记住用户的偏好
  • 记住之前失败的尝试
  • 记住成功的模式

2. 工具调用

Agent靠工具干活，不是靠瞎编。

1
2
3
4
5
6
7
8

tools = {
    "search": lambda q: google_search(q),
    "calculate": lambda expr: eval(expr),
    "send_email": lambda to, content: send_email(to, content),
}

def use_tool(name, args):
    return tools[name](**args)

关键点：

  • 工具描述要写清楚，LLM才知道什么时候用
  • 工具要有错误处理
  • 危险操作要二次确认

3. 任务规划

复杂任务要分解。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

def plan(task):
    if is_simple(task):
        return [task]
    else:
        return decompose(task)  # 拆成子任务

# 例如："写一篇技术博客"
# 拆成：
# 1. 确定主题
# 2. 列大纲
# 3. 写每一节
# 4. 润色
# 5. 发布

ReAct模式

最常用的Agent思考模式：边想边做。

1
2
3
4
5
6
7

用户：北京明天天气怎么样？

Agent思考：需要查天气，我有天气工具
Agent行动：调用天气API
Agent观察：返回"晴，15-25度"
Agent思考：拿到结果了，可以回复
Agent输出：北京明天晴天，气温15-25度，适合出门。

代码实现：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

def react(query):
    thoughts = []
    for _ in range(max_steps):
        thought = llm.think(query, thoughts)
        thoughts.append(thought)
        
        if thought.type == "action":
            result = execute(thought.action)
            thoughts.append(f"观察: {result}")
        
        elif thought.type == "answer":
            return thought.content
    
    return "想不出来..."

常见坑

坑1：无限循环

Agent卡住了，一直在做同样的事。

解决： 设置最大步数，加入"放弃"逻辑

坑2：工具乱用

LLM选错了工具。

解决： 工具描述写清楚，提供使用示例

坑3：幻觉

Agent编造不存在的信息。

解决： 强制要求查证，不确定时说"不知道"

坑4：上下文超长

对话太长，超出token限制。

解决： 压缩历史记忆，只保留关键信息

实战建议

  1. 从简单开始。先做一个只有1个工具的Agent，跑通再加功能。

  2. 日志要详细。Agent做了什么、为什么做，都要记下来方便调试。

  3. 人在环路。关键操作需要人工确认，别让Agent自作主张。

  4. 持续迭代。根据实际使用反馈不断优化。

框架推荐

场景推荐
快速原型LangChain
生产级LangGraph
轻量级自己写（就几百行）

有问题留言，下篇讲多Agent协作。