Agent
Agent（智能体）是人工智能领域中能够感知环境、自主决策并采取行动以完成目标的程序或系统。其核心特征包括：具备自主性，可在无持续人工干预下运行；具备目标导向性，能规划并执行多步骤任务；以及工具调用能力，可与外部系统或API交互。Agent广泛应用于任务自动化、对话系统、编程辅助等场景。
核心事实
Mainstream Agent architectures typically use a large language model as the brain, combined with memory modules, planning modules, and tool interfaces to accomplish complex tasks
Agent具备规划、工具调用、记忆与自主迭代的能力，区别于传统大语言模型的单次问答模式
Skill是将专业能力、领域知识和操作规范打包成可复用单元，让Agent在恰当时机自动调用的模块化封装
时间轴 (近 90 天)
据B站UP主整合版本，课程分为三大模块：基础篇（Python、环境搭建、提示词工程、Transformer、预训练、SFT、RLHF等），进阶篇（RAG、Agent、LangChain、微调与私有化部署），实战篇（企业级项目如医疗问答、电商客服、数字人、教育助教）。
UP主计划后续在系统中实现电子流（工作流），让Agent自动化执行，表明该架构可复用到工作流自动化场景。
拆分架构后，后端只负责派发任务和管理数据，Agent负责数据采集等执行工作，增加功能时无需修改后端代码。
B站UP主最初将采集、处理、展示全部塞进一个大程序，发现缺乏扩展性，于是将Agent和后端数据服务拆解。
Agent采集完成后数据进入数据管理模块，任务详情可显示加载的skill、调用的接口以及最终视频数据列表。
采集任务中Agent会加载视频下载相关的skill，调用相应API查询数据并执行下载；内置函数、MCP、Skill等能力可按任务类型扩展。
该架构将数据管理和任务调度（相对稳定）与采集逻辑、外部接口对接（高频变化）分离，延长系统生命周期。
在仿真测试中，Agent能回答车手关于遥测数据的问题，例如峰值转向角48度、平均每秒转11度、峰值G力2.2G、最高时速306公里等。
提交答案后，Agent会进入批改流程，批改完成后试卷节点下会出现作答记录，包含已判分状态、考试分析和解析，并且有截屏检测功能。
将客服、审单、报表等流程改造成Agent工作流时，开发者需要设计流程边界、异常处理和人工兜底机制。
还有 40 条时间轴事件
全部知识事实 (20)
Mainstream Agent architectures typically use a large language model as the brain, combined with memory modules, planning modules, and tool interfaces to accomplish complex tasks
90%已验证Agent具备规划、工具调用、记忆与自主迭代的能力，区别于传统大语言模型的单次问答模式
90%已验证Skill是将专业能力、领域知识和操作规范打包成可复用单元，让Agent在恰当时机自动调用的模块化封装
90%已验证一个复杂的Agent任务可能需要数十次甚至上百次模型调用
90%已验证2023年以来，随着GPT-4、Claude等大语言模型推理能力的飞跃，Agent从学术概念迅速走向工程实践
90%已验证LangGraph将Agent工作流抽象为有向图，每个节点代表一个Agent或处理步骤，边代表状态流转条件
90%已验证Agent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%已验证Agent工作流的经典范式是规划层与执行层分离，规划层负责理解目标、分解任务、生成执行计划，执行层由专用工具或较小模型负责实际操作
85%已验证一个典型的Agent由'感知—规划—行动—反思'的循环构成
85%已验证AI评估对象分为大语言模型评估、知识库（RAG）评估、智能体（Agent）评估三层，且呈知识度和复杂度递增的递进关系
80%已验证Agent的长期记忆可细分为情景记忆、语义记忆和程序性记忆三类
80%已验证DeepSeek Harness 采用插件化架构，模型、工具、会话沙箱以及 Agent 主循环本身都可以替换和重新组合
80%已验证代码执行型Agent具备完整的「感知—规划—执行—反馈」循环能力，能读取数据、自主制定实验方案、执行代码并根据结果动态调整策略
80%已验证测试人员的定位正在从执行者转向AI评审员，能驾驭AI的前提是自身具备自动化测试、性能测试等底层技能
80%已验证如果一个10步操作中每步准确率为95%，整体成功率仅约60%
80%已验证MCP（Model Context Protocol）是Anthropic提出的开放协议，旨在标准化大模型与外部工具、数据源之间的交互方式
80%已验证LangGraph是LangChain团队推出的Agent编排框架，其核心理念是将Agent的执行流程建模为有向图（DAG），支持循环、条件分支等复杂控制流
80%已验证一个典型的Agent架构包含大模型核心、工具集、记忆系统和规划模块四个核心组件
80%已验证Agent单次任务的Token消耗量可能是普通对话的5-10倍，因为涉及多轮大模型调用
80%已验证AI Agent基于ReAct（Reasoning + Acting）等框架，能够将复杂任务分解为多个子步骤，自主决定何时调用外部工具
80%