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)
在Agent工作流中，视频理解模型作为工具调用的一环，其输出中的限定词（如‘在我采样的帧中’）可能在传递过程中被丢弃，导致下游将‘未检出’当作‘不存在’的硬事实。
多模态与 Agent 的结合已成为行业明确的竞争方向，但从概念提出到可复现的工程落地之间仍有相当距离。
对于构建 Agent 应用的开发者，选择底层模型时不应只看通用多模态基准分数，更要关注视觉信息在推理链路中的参与深度。
将Agent和Web服务放在同一个服务中会导致Web worker被模型调用阻塞，因为模型调用延迟可达数秒甚至数十秒，从而降低并发能力。
将Agent拆分为独立服务后，Web worker可以异步转发请求并保持轻量，Agent服务可以独立扩缩容和部署。
Auto Ontology 的出现标志着 Agent 数据访问的竞争焦点正从“能不能写 SQL”转向“写得对不对”。
Auto Ontology 将经过认证的定义（certified definitions）前置给 Agent，使 Agent 在生成 SQL 前获得语义上下文。
普通人同时管理三到五个活跃Agent会话就已相当吃力
结构化输出和工具调用是构建Agent的基础，也是LangChain封装价值最集中的地方。
LangChain提供的Agent抽象封装了“思考—行动—观察”的循环、工具描述与调用格式、中间步骤记录等通用逻辑，开发者只需注册工具并给出目标即可。
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%