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
时间轴 (近 90 天)
随着RAG（检索增强生成）、Agent等技术的普及，上下文的构建和管理变得愈发重要
ai-tutorials 教程的目标是从 0 开始带领开发者掌握用 langchain4j 实现 RAG、Agent、MCP 等概念和应用开发
在 Swarm 中，一个 Agent 是一组指令（instructions）与可调用函数（functions）的封装
V4-Flash本次升级的重点指向Agent（智能体）能力
全自动Agent模式需要大量多轮推理、文件读取、代码生成与自我校验，token消耗呈指数级上升
作者认为完成企业级智能知识库客服和垂直领域Agent等项目后，可应对市面上九成的大模型应用落地岗位
文章提出的学习路线采用认知基础→RAG工程→Agent实战的三段式递进结构
短期记忆是指在Agent这一侧保存的历史信息
Agent的记忆机制核心逻辑是把之前的聊天记录保存下来，在下一次请求时一起发送给大模型
记忆管理是Agent工程中一个持续被优化的方向，包括在有限上下文窗口内保留关键信息、压缩或摘要不重要内容
还有 40 条时间轴事件
全部知识事实 (20)
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
80%已验证Agent的核心公式为：Agent = 大模型 + 工具调用 + 自主决策能力
80%已验证Agent Skills 具备上下文感知、可组合性和自描述性三个关键特征
80%已验证AI Agent具备工具调用（Tool Use）和规划推理（Planning & Reasoning）两大核心能力，能将复杂目标自动分解为可执行的子任务序列
80%已验证在ReAct框架中，当工具数量超过20个时，Token消耗和模型的工具选择准确率都会显著下降，这被称为'工具过载'问题
80%已验证Agent 的核心架构通常由「感知-推理-行动」循环构成
70%已验证自主Agent基于ReAct（Reasoning + Acting）框架进行'感知-规划-行动-观察'循环，对初始上下文质量要求更高
65%已验证基于LLM的智能体框架通常采用ReAct（推理+行动）或Plan-and-Execute等设计模式
65%已验证智能体（Agent）是具备自主决策能力的AI，能自行拆解任务如搜索信息、提取内容、生成报告
65%已验证Agentic系统的核心是规划-执行-观察（Plan-Act-Observe）循环，将复杂任务分解为子任务序列逐步执行
65%已验证工作流（Workflow）是确定性的，预先定义节点顺序；Agent模式是自主性的，由大模型自主决定调用工具和步骤
65%已验证OpenAI 的 Function Calling、Anthropic Claude 的 Tool Use 是 Agent 模式的代表性实现
65%已验证LLM语境下的Agent通常具备感知、规划、行动和记忆四个核心组件
65%已验证工具调用（Function Calling/Tool Use）是Agent系统的核心能力，允许模型动态调用搜索引擎、代码解释器、数据库查询、API接口等外部资源
65%已验证DeepAgent是LangChain与LangGraph生态中高度封装的模块，是Harness架构思想的一种具体实现
65%已验证智能路由的本质是根据任务复杂度、上下文需求和成本考量，动态选择最合适的处理路径
65%已验证Harness Engineering的核心公式为：Harness（驾驭规范）+ LLM（大语言模型）= Agent（智能体）
65%