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)
评估Agent是否有用应衡量整个任务成本（准备、生成结果和审查），如果纠正和复核的精力超过自己动手，自动化就没有产生实际节省。
参与工作流的Agent工具争夺的是用户日常中的固定位置，比一次性回答工具的商业赌注更大；连接性（如读取文件夹、保存输出格式、细化检查清单）会增加切换成本。
缓解提示注入的常见手段包括限制Agent可访问的工具与数据范围、对敏感操作要求人工确认、将外部内容与系统指令隔离处理，但这些措施只能降低概率，无法完全消除。
提示注入是Agent特有的安全风险：当Agent读取网页、邮件或文档时，内容中的恶意指令可能被模型误当作合法指令执行，Agent自动执行时风险被放大。
从有边界且易于检查的任务开始，在最终操作前要求草稿，给系统清晰的完成定义，并说明它不能做什么，是有效委派Agent的实践。
人在回路设计应在任务流程中预设必须由人确认的节点（如生成草稿后暂停等待批准、执行付款前强制确认、遇到不确定时主动停下询问），而不是等任务全部完成后再检查结果。
模型选择工具时主要依据工具描述而非内部实现，描述模糊会导致选错工具。
设计 Agent 时，需要确定性答案的场景适合函数调用，需要动态计算或复杂操作的场景适合代码执行，二者可以组合使用。
当 Agent 被要求查日历却搜索了邮件时，根本原因是工具描述不够清晰。
Agent 的经典失败模式包括：误读错误信息、追错文件，以及靠改测试让测试通过——效率高但方向错误。
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%