01 先回答一个问题：到底什么是 AI Agent？
AI Agent（人工智能智能体）可以理解为：一个以"大语言模型"为大脑、能够自主完成任务的系统。
它和普通聊天机器人最大的区别是：聊天机器人只负责"说"，Agent 负责"做"。
比如你问聊天机器人"帮我订一张周五去上海的机票"，它只能告诉你"你可以去某某 App 订"；而一个 Agent 会自己去调用订票工具、查询航班、比价、下单，把一件完整的事办完。
用一句话概括 Agent 的公式，业界普遍认可的是：
Agent = LLM（大脑）+ Planning（规划）+ Memory（记忆）+ Tools（工具）
下面所有名词，都是在给这个公式的各个部分"添砖加瓦"。
02 先看全貌：Agent 名词全景图
整个 Agent 生态可以分成三层：模型基础层（Agent 的"身体"）、能力增强层（Agent 的"手脚和记忆"）、工程协作层（让 Agent 真正跑起来的"系统"）。
03 第一层：模型基础层——Agent 的"身体"
这一层的名词解决的是"模型本身是什么、怎么描述输入输出"的问题。
LLM（大语言模型） 全称 Large Language Model，基于 Transformer 架构、用海量文本训练出来的语言模型。它负责理解你的问题并生成回答，是 Agent 的"大脑"。我们常说的 GPT、Claude、豆包、DeepSeek，指的都是这类模型。
Token（词元） 模型处理文本的最小单位。英文一个单词常被切成 1～2 个 Token，中文一个字大约对应 1～2 个 Token。Token 既是模型计费的"字数单位"，也是上下文窗口的"容量单位"。
上下文窗口（Context Window） 模型单次能"同时看到"的 Token 上限。窗口越大，能一次性塞进去的对话、文档就越多。现在的旗舰模型普遍支持 128K 甚至 1M Token 的上下文。
Prompt（提示词） 你发给模型的指令文本。写提示词有一定方法论，叫 Prompt Engineering（提示工程）——好的提示词能让模型表现提升一个档次。注意：提示词只是"输入"，不会改变模型的权重。
Embedding（向量化/嵌入） 把一段文字（或图片、声音）映射成一串高维数字（向量），让"意思相近的内容"在向量空间里距离也近。它是后面 RAG、记忆、知识库的基础技术。
微调（Fine-tuning） 用特定领域的数据对模型继续训练，让它在某些任务上表现更好。和 RAG 不同，微调改变的是模型本身的"知识储备"。
04 第二层：能力增强层——Agent 的"手脚、眼睛和记忆"
只有大脑的 Agent 什么都做不了，这一层的名词让 Agent 真正"能干活"。
Function Calling（函数调用 / 工具调用） 让模型在回答过程中"调用外部程序"的机制：模型输出一段结构化指令（比如"调用搜索函数，关键词=XXX"），程序执行后把结果塞回给模型，模型再基于结果继续回答。这是 Agent 能"动手做事"的关键开关。
Tools（工具） Agent 可以调用的外部能力集合：搜索引擎、计算器、代码执行器、数据库、API 接口、甚至其他软件。工具是 Agent 的"手和脚"。
RAG（检索增强生成） 全称 Retrieval-Augmented Generation。核心思路：模型回答前，先从外部知识库"查资料"，再把查到的资料连同问题一起交给模型生成回答。作用是引入最新/私有知识、显著减少幻觉（一本正经地胡说八道）。
知识库（Knowledge Base） 存放外部资料的集合，比如公司文档、产品手册、论文。知识库里的文档通常会被切分成小块、向量化后存入向量数据库。
向量数据库（Vector Database） 专门存"向量"并支持快速相似检索的数据库，代表作有 FAISS、Milvus、Chroma、Pinecone。RAG 的"查资料"环节就是在这里完成的。
Memory（记忆） Agent 的记忆分两类：短期记忆（当前对话的上下文，存在上下文窗口里）和长期记忆（把重要信息写入数据库，下次会话还能想起）。记忆让 Agent 从"一问一答"进化为"越用越懂你"。
Planning（规划） 把一个大任务拆成多个小步骤并安排顺序的能力。常见方法包括：
- CoT（思维链）
：让模型一步一步推理，而不是直接给答案；
- ReAct（推理+行动）
：Thought（思考）→ Action（行动）→ Observation（观察结果），循环往复，是目前 Agent 最主流的工作范式；
- Plan-and-Execute
：先定完整计划，再按计划逐步执行。
05 第三层：工程协作层——让 Agent 真正跑起来
单个 Agent 能干活之后，接下来就是"怎么把它做成产品、怎么让多个 Agent 协作"。
Workflow（工作流） 提前把步骤写死的自动化流程：节点固定、顺序固定、每个节点做什么都是人预先设计好的。适合流程稳定的场景（如"每天 9 点抓取数据→生成日报→发送邮件"）。
Agent Framework（智能体框架） 帮你开发 Agent 的工具集/平台，比如 LangChain、LlamaIndex、AutoGen、CrewAI，以及国内的可口可乐式的低代码平台 Coze（扣子）、百炼等。框架把"调模型、接工具、管记忆、跑循环"这些繁琐事封装好，让你专注业务逻辑。
MCP（模型上下文协议） 全称 Model Context Protocol，由 Anthropic 于 2024 年底开源。它定义了一套"模型如何统一地连接外部工具和数据"的标准协议，可以类比为 "AI 世界的 USB-C 接口"：以前每个工具都要单独对接（协议各异），现在只要工具实现一个 MCP 接口，所有支持 MCP 的 Agent 都能即插即用。
Multi-Agent（多智能体系统） 让多个各司其职的 Agent 分工协作：一个负责拆任务，一个负责查资料，一个负责写初稿，一个负责审核……像一支小型团队。
Orchestrator（编排者/总控） 多智能体系统里的"项目经理"：负责理解总目标、把任务拆解分配给各个子 Agent、汇总结果、把控质量。我们日常使用的一些产品背后，就是"总控 Agent + 多个子 Agent"的架构。
Sub-agent（子智能体） 被 Orchestrator 调度、负责执行具体子任务的 Agent。多个子 Agent 可以并行干活，显著提速。
A2A（Agent 到 Agent 协议） Google 于 2025 年发布的 Agent 间通信协议，解决"不同厂商的 Agent 之间怎么对话协作"的问题，与 MCP 互补：MCP 管"Agent 连工具"，A2A 管"Agent 连 Agent"。
06 原理一：一个 Agent 是怎么工作的？
把上面名词串起来，一个典型 Agent 的工作循环是这样的：
具体来说分四步：
- 感知
：接收用户请求（问题、指令）；
- 规划
：LLM 基于提示词和记忆，把任务拆解成步骤（如用 ReAct 模式）；
- 行动
：需要外部信息时，通过 Function Calling 调用工具；需要私有知识时，走 RAG 从知识库检索；
- 观察与迭代
：拿到工具/检索结果，LLM 继续推理，直到任务完成，最后把答案返回给用户。
整个过程是一个"思考→行动→观察→再思考"的循环，而不是一次问答就结束。
07 原理二：关键机制是怎么运作的？
RAG 的运作流程：
一句话总结 RAG：先查资料、再写回答。它解决了 LLM"只懂训练时学过的知识、不知道最新消息和你的私有资料"的痛点。
Function Calling 的时序：
MCP 的架构：
在 MCP 架构里：Host（如你的 Agent 应用）通过 MCP Client 连接 MCP Server，每个 Server 背后挂一个或多个外部数据源/工具。换工具时只需换 Server，Agent 本体不用改。
多智能体协作：
08 一张表看懂：LLM / Workflow / Agent / Multi-Agent 的区别
用一句话记忆：
- LLM
是"大脑"，只会想和说；
- Workflow
是"流水线"，路径人定死了；
- Agent
是"员工"，自己想办法完成任务；
- Multi-Agent
是"团队"，多个人分工协作。
写在最后
Agent 的生态还在快速进化，今天的热词明天可能就被新协议、新框架取代。但底层的逻辑是稳定的：让模型更强（模型层）、让模型能干更多事（能力层）、让模型能规模化协作（协作层）。
记住这个三层框架，以后再遇到任何新名词，你都能快速找到它在整个图景里的位置。
内容说明：本文为 AI 智能体技术科普，所涉术语与概念依据公开技术资料整理（包括 Anthropic MCP 官方文档、Google A2A 文档、LangChain 等框架公开资料）；MCP 与 A2A 等协议细节可能随版本更新，请以官方文档为准。
相关文章
