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)
普通 Agent 以守护进程形式常驻目标主机主动采集并推送数据；特殊 Agent 不在目标主机上安装，由 Checkmk 站点定期调用本地脚本通过目标系统 API 拉取数据；服务发现机制先枚举 Agent 或特殊 Agent 实际能上报的检查项，再由用户确认纳入监控。
Checkmk 的核心机制由 Agent、特殊 Agent（Special Agent）和插件三部分组成。
Agent 上下文累积机制导致每一步输入 Token 近似与之前所有步骤的内容总量成正比，总消耗随步数呈近似平方增长，因此电脑操作任务成本瓶颈在输入侧。
UP主建议的学习路线为三个月：第一个月学习AI前置知识，第二个月专攻Agent核心能力和RAG，第三个月完成两到三套项目实战并从0到1做出MVP。
AI产品的QPS相比传统互联网后端低得多，互联网产品QPS能上百，AI产品做Agent项目一个请求平均可能要100秒，QPS为1已经算快。
双重主体（dual subject）凭证指同一凭证中同时携带 Agent 身份和用户身份两个声明。
Agent 复用同一个服务 Token 的风险包括：审计日志无法区分具体 Agent 实例、异常访问难以追溯责任主体、权限回收会波及所有共用该 Token 的 Agent。
OAuth Token 的 subject 字段对应一个人或一个服务账号，当 Agent 复用同一 Token 时，所有调用共享同一 subject，OAuth 的授权粒度无法区分具体 Agent 实例。
Agent 调用链中常夹着中间层（如编排器、工具网关），每一层都可能丢失身份信息，导致安全团队难以复盘异常访问。
为每个 Agent 实例签发短期凭证，或在 OAuth 流程中把 Agent 标识写入 token 的声明字段，可以让日志区分出具体是哪一个 Agent。
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%