Agent 能力全景展示

西瓜猿 7/6/2026 AI AgentLLM

# Agent 能力全景展示

📅 发布于 2026-07-06

🎬 序章

📍 这一章怎么读 这不是术语章，而是建立直觉的序章。你只需要先记住三件事：Agent 不只是聊天、Agent 会自己决定下一步做什么、Agent 不是万能的，只有在"需要调用工具、需要多步决策、需要持续反馈"时才值得使用。

小白路线：先看 0.1 和 0.2，建立感受后立刻进入第1章基础概念。

开发路线：重点看 0.1、0.3、0.4，快速建立"能力地图 → 实现组件"的对应关系。

面试路线：这一章只回答"Agent 是什么、比 ChatBot 强在哪、适合解决什么问题"，不要在这里死记底层术语。

# 0.1 五分钟体验 Agent

在深入学习 Token、Prompt、Embedding 这些底层概念之前，先让我们直观感受一下 Agent 到底能做什么。与其从定义开始，不如从一个真实的交互开始——你问一个问题，Agent 自己判断意图、选择工具、获取数据、总结回答。整个过程你不需要告诉它"该查天气"或"该用哪个 API"，它自主决策、自主行动。

下面这个演示模拟了一个天气查询 Agent 的完整工作流程。注意观察每个步骤中 Agent 的"思考过程"——这正是 Agent 和普通 ChatBot 的核心区别：ChatBot 只能聊天，Agent 能行动。

# Agent 交互流程图

流程：用户提问（"北京明天适合户外运动吗？"） →[感知]→ 思考（用户关心天气+温度，需要调用天气API） →[决策]→ 行动（调用 get_weather(city="北京")） →[执行]→ 观察（API返回：晴, 28°C, 湿度45%, 微风） →[观察]→ 思考（28°C适合运动，湿度适中，可以给出建议） →[总结]→ 最终回答（"北京明天晴28°C，非常适合户外运动，建议早上10点前，避免午后高温"）

用户提问："北京明天适合户外运动吗？"
🧠 思考：用户关心天气+温度，需要调用天气API
⚡ 行动：调用 get_weather(city="北京")
👀 观察：API返回：晴, 28°C, 湿度45%, 微风
🧠 思考：28°C适合运动，湿度适中，微风不影响，可以给出建议
💬 最终回答：北京明天晴28°C，非常适合户外运动，建议早上10点前，避免午后高温

# 交互式对话模拟

下面是一个逐步展示的对话模拟——每一行会按时间顺序依次出现，让你看到 Agent 是如何一步步完成任务的。整个过程不到 5 秒，但背后包含了"感知→思考→行动→观察→回答"的完整闭环。

👤 用户 北京明天适合户外运动吗？

🧠 思考 (Thought) 用户问的是"适合户外运动吗"，这需要天气信息来判断。我需要知道温度、天气状况、湿度等数据。应该调用 get_weather 工具查询北京明天的天气。

⚡ 行动 (Action) 调用工具：get_weather(city="北京", date="2026-07-03")

👀 观察 (Observation) 天气API返回：晴，最高温 28°C，最低温 19°C，湿度 45%，风速 3m/s（微风），紫外线指数中等，空气质量良好。

🧠 思考 (Thought) 根据观察数据分析：28°C 是舒适的运动温度，晴天无雨，湿度 45% 适宜，微风不影响运动，空气质量良好。紫外线中等需要注意防晒。综合判断：非常适合户外运动。

💬 最终回答 (Final Answer) 北京明天非常适合户外运动！☀️ 天气晴朗，气温 19-28°C，湿度适中（45%），微风，空气质量良好。

**建议：**推荐早上 7-10 点或下午 4 点后运动，避免午后高温时段。紫外线中等，记得涂防晒霜。适合跑步、骑行、登山等各类户外活动。

看到这个演示后，你可能已经注意到几个关键点：

🔑 Agent vs ChatBot：核心差异

对比维度	普通 ChatBot	AI Agent
回答方式	基于训练数据直接回答	判断是否需要工具，主动调用获取实时数据
数据来源	只能用训练时的历史数据	可以调用 API、搜索网页、查询数据库
思考过程	一次生成，无中间步骤	Thought→Action→Observation 循环推理
纠错能力	无法自我纠错	观察结果后可重新决策，自动纠错
记忆能力	仅限当前对话上下文	短期+长期记忆，跨会话保持

这就是 Agent 的魅力——它不是"更聪明的聊天机器人"，而是一个能自主感知、思考、行动、观察的数字助手。接下来的章节会带你深入了解 Agent 的每一个能力维度和底层原理。

"不要从定义开始学 Agent，从体验开始。看它做了什么，再理解它怎么做。"

# 0.2 Agent 能力全景图

Agent 不是一个单一的技术，而是四大能力域的有机整合。就像一个人需要眼睛看（感知）、大脑想（思考）、手脚动（行动）、耳朵听反馈（观察），Agent 也需要这四个能力才能完成复杂任务。下面这张全景图展示了 Agent 的能力架构，以及每个能力对应本书的哪些章节。

你可以把这张图当作整本书的导航地图——每学习一个章节，就回来看看它属于哪个能力域、和其他能力如何联动。Agent 的精髓不是某个单一能力的强大，而是四个能力协同运作形成的闭环。

# 四大能力域详解

👁️ 感知 (Perceive) — Agent 的"眼睛和耳朵"——接收用户输入、环境信号、工具返回结果。感知能力决定了 Agent 能"看到"多少信息，包括多模态输入（文字、图片、语音）、上下文理解、意图识别。📖 相关章节：ch01 LLM 基础 · ch04 Prompt Engineering · ch06 Embedding/RAG
🧠 思考 (Think) — Agent 的"大脑"——推理、规划、记忆检索。思考能力包括思维链推理（CoT）、任务拆解与规划（Plan & Execute）、记忆检索与整合、多路径探索（ToT）。这是 Agent 最重要的能力域。📖 相关章节：ch01 LLM 基础 · ch04 Prompt · ch09 思维框架 · ch15 多Agent协作
⚡ 行动 (Act) — Agent 的"手脚"——工具调用、代码执行、多Agent协作。行动能力让 Agent 从"只会想"进化到"能做事"，包括 Function Calling 调用外部 API、代码生成与执行、浏览器自动化、多 Agent 协同工作。📖 相关章节：ch05 Function Calling · ch10 工具生态 · ch12 代码Agent · ch15 多Agent
👀 观察 (Observe) — Agent 的"反馈回路"——结果评估、循环决策、自我纠错。观察能力让 Agent 判断"做得对不对"，包括工具返回结果解析、执行效果评估、反思与纠错（Reflection）、循环决策直到满意。📖 相关章节：ch09 思维框架 · ch11 记忆系统 · ch14 评估与调试 · ch15 多Agent

🔄 Agent 核心闭环：感知 → 思考 → 行动 → 观察 → 再思考 四大能力域不是孤立的模块，而是形成一个持续运转的闭环。Agent 接收输入（感知），分析决策（思考），执行操作（行动），评估结果（观察），然后根据观察重新调整策略（再思考）。这个循环一直运行，直到任务完成或达到终止条件。

# 全景架构图

流程：感知（用户输入/环境信号，意图识别/多模态） →[驱动]→ 思考（推理/规划/记忆检索，CoT/Plan/ToT） →[决策]→ 行动（工具调用/代码执行，多Agent协作） →[执行]→ 观察（结果评估/循环决策，反思纠错） →[反馈]→ 思考（再思考循环） →[完成]→ 任务完成

感知 → 相关章节 ch01/ch04/ch06
思考 → 相关章节 ch01/ch04/ch09
行动 → 相关章节 ch05/ch10/ch12
观察 → 相关章节 ch09/ch11/ch14

🗺️ 本教程章节导航（ch00 - ch15）

章节	主题	所属能力域	核心内容
ch00	Agent 能力全景展示	全景	序章，Agent 体验+全景图+进化史+基础概念
ch01	LLM 基础	感知+思考	大模型原理、Transformer、训练与推理
ch04	Prompt Engineering	感知+思考	Prompt 技巧、CoT、ReAct、结构化输出
ch05	Function Calling	行动	工具调用、Tool 定义、多轮调用、错误处理
ch06	Embedding 与 RAG	感知	向量检索、语义搜索、知识增强
ch09	思维框架	思考+观察	ReAct、Plan&Execute、Reflection、ToT
ch10	工具生态	行动	MCP、工具市场、自定义工具开发
ch11	记忆系统	观察	短期记忆、长期记忆、记忆检索与更新
ch12	代码 Agent	行动	代码生成、沙箱执行、调试与修复
ch14	评估与调试	观察	Agent 评测、Trace 分析、性能优化
ch15	多Agent协作	全景	多Agent编排、通信协议、复杂任务拆解

"Agent 的精髓不是某个单一能力的强大，而是感知、思考、行动、观察四大能力协同形成的闭环。理解了闭环，就理解了 Agent。"

# 0.3 从 Chatbot 到 Agent：三次进化

AI 和人类的交互方式经历了三次重大进化，每一次都解锁了全新的能力维度。理解这三次进化，你就能理解为什么 Agent 是当前 AI 应用最前沿的方向——它不是 ChatBot 的"升级版"，而是一个全新的物种。

# 第一代：纯聊天（ChatOnly）

第一代 · 2022-2023 · 💬 纯聊天（ChatOnly）—— 只能对话，不能行动 代表产品：ChatGPT 早期版本。这一代的 AI 只有一个能力——生成文本。它能和你聊天、写文章、翻译、回答问题，但所有回答都基于训练时的历史数据。它不能查实时天气、不能调用 API、不能执行代码、不能帮你订机票。它只是一个"会说话的百科全书"。

**核心限制：**没有行动能力，只能"想"不能"做"。训练数据截止后，所有实时信息都是猜测。回答质量完全取决于训练数据和 Prompt 质量。

👤 用户：北京今天天气怎么样？

🤖 ChatGPT (早期)：我无法提供实时天气信息，因为我的数据只更新到 2023 年。建议你查看天气预报网站或 App 获取北京今天的天气。

❌ 没有行动能力，只能建议用户自己去查

# 第二代：+工具（Tool-Enabled）

第二代 · 2023-2024 · 🔧 +工具（Tool-Enabled）—— 能查天气、能搜网页 代表能力：Function Calling。这一代 AI 获得了行动能力——它可以调用外部工具了！你说"北京天气怎么样"，AI 不再说"我查不了"，而是主动调用天气 API 获取实时数据，然后基于数据回答你。它还能搜索网页、计算数学表达式、查询数据库。

**核心突破：**从"只能想"进化到"能做"——Function Calling 让 AI 能输出结构化的函数调用 JSON，开发者代码执行后把结果注入回 AI 继续对话。但这一代 AI 仍是"一问一答"模式——用户问一次，AI 调一次工具，回答一次。它不能自主规划多步任务。

👤 用户：北京今天天气怎么样？

🤖 Tool-Enabled AI：⚡ 调用工具：get_weather(city="北京")；📊 工具返回：晴，28°C，湿度 45%。北京今天晴，28°C，湿度 45%，适合户外活动。

✅ 能调用工具获取实时数据，但仍是单步调用

# 第三代：+循环+记忆（ReAct Agent）

第三代 · 2024-2026 · 🤖 +循环+记忆（ReAct Agent）—— 自主规划、多步执行、持续记忆 代表架构：ReAct Agent。这一代 AI 获得了自主决策能力——它不再只是"用户问一次，我做一次"，而是自己规划任务、多步执行、观察结果、自动纠错。你说"帮我安排明天的北京旅行"，Agent 会自己拆解任务：查天气→查景点→查路线→查酒店→综合推荐。

核心突破：三个关键能力叠加——①循环决策（Thought→Action→Observation 循环，不是一问一答）；②自主规划（自动拆解复杂任务为多步子任务）；③持续记忆（短期记忆保持当前任务上下文，长期记忆跨会话积累经验）。Agent 不再是"工具"，而是"助手"。

👤 用户：帮我安排明天去北京的旅行计划

🤖 ReAct Agent：

🧠 思考：安排旅行需要查天气、景点、路线、酒店，我来逐步规划。

⚡ 行动1：get_weather(city="北京", date="明天")

👀 观察1：晴，28°C，适合出行

⚡ 行动2：search(query="北京热门景点推荐")

👀 观察2：故宫、长城、颐和园排名前三

⚡ 行动3：search(query="故宫到长城最优路线")

👀 观察3：地铁2号线→8号线，约1小时

🧠 思考：综合以上信息，我来生成完整旅行计划。

✅ 自主规划多步任务，循环调用工具，综合分析给出完整方案

📊 三次进化能力对比

能力维度	第一代 💬	第二代 🔧	第三代 🤖
对话能力	✅ 基础对话	✅ 基础对话	✅ 基础对话
工具调用	❌ 不能	✅ 单步调用	✅ 多步循环调用
自主规划	❌ 不能	❌ 一问一答	✅ 自动拆解多步任务
自我纠错	❌ 不能	❌ 不能	✅ 观察后调整策略
持续记忆	❌ 仅当前对话	❌ 仅当前对话	✅ 短期+长期记忆
实时数据	❌ 只有训练数据	✅ 可调用API	✅ 多API协同调用

流程：第一代 💬 纯聊天（只能对话） →[+Function Calling]→ 第二代 🔧 +工具（能调用API） →[+循环决策+记忆]→ 第三代 🤖 +循环+记忆（自主Agent）

第一代局限：无行动能力、无实时数据、无自我纠错
第二代局限：一问一答、无多步规划、无持续记忆
第三代完整能力：感知→思考→行动→观察，自主规划+循环纠错，短期+长期记忆

"从 ChatBot 到 Agent，不是升级，是进化。第一代只会说话，第二代能动手，第三代会思考、会规划、会纠错——它不再是工具，而是助手。"

# 面试八股

Q1: Agent 和 ChatBot 的核心区别是什么？

A： ChatBot只能基于训练数据生成文本回答，无法与外部世界交互。Agent具备四大能力域——感知（接收输入）、思考（推理规划）、行动（调用工具）、观察（评估纠错），能自主决策、多步执行、自我纠错。核心区别在于行动能力和循环决策能力：ChatBot 是"一问一答"，Agent 是"感知→思考→行动→观察→再思考"的闭环。

Q2: Token 是什么？为什么中英文 Token 数不同？

A： Token 是大语言模型处理文本的最小单位，由分词器（Tokenizer）根据 BPE 算法切分。中英文 Token 数不同是因为主流模型的词表以英文为核心：英文通常 1 词 ≈ 1-1.3 Token，而中文 1 字 ≈ 1.5-2 Token。这导致同样长度的中文比英文消耗更多 Token，费用也更高。实际开发中需要考虑这个差异来估算成本。

Q3: System Prompt 和 User Prompt 的区别是什么？

A： System Prompt 设定模型的角色、行为规则和全局约束，在整个对话中持续生效，像一份"工作手册"。User Prompt 是用户每次具体的请求，表达"我要什么"。System Prompt 决定"怎么做"，User Prompt 决定"做什么"。在 API 调用中，它们分别对应 role="system" 和 role="user" 的消息。

Q4: CoT（链式思考）如何提升推理能力？

A： CoT 通过要求模型"一步步推理"而非直接输出答案，让模型在生成最终答案前先产出中间推理步骤。这有两个好处：①扩展了推理空间——每生成一步推理就为下一步提供了更多上下文，降低了单步推理难度；②减少了错误传播——中间步骤可以自我检查，避免一步错步步错。研究表明 CoT 在数学推理上能提升 15-30% 的准确率。核心用法是在 Prompt 中加入"Let's think step by step"或"请一步步推理"。

Q5: Embedding 的作用是什么？怎么计算语义相似度？

A： Embedding 将文本转换为高维向量（通常 768-3072 维），使语义相近的文本在向量空间中距离也近。它是语义搜索和 RAG 的基础。计算语义相似度最常用的是余弦相似度（衡量向量方向一致性，范围 [-1,1]，值越大越相似），此外还有欧氏距离（衡量绝对距离）和点积（同时考虑方向和大小）。在 RAG 系统中，用户问题和文档都经过 Embedding 后，用余弦相似度找到最相关的文档片段。

Q6: Function Calling 的底层原理是什么？

A： Function Calling 的本质是LLM 经过训练后能输出结构化的函数调用 JSON。训练阶段，模型学习了大量"用户意图→函数调用"的样本；推理阶段，模型根据用户消息和可用工具列表，判断是否需要调用工具，如果需要则输出符合 JSON Schema 的函数名和参数。需要注意的是：LLM 只负责"决定"调用什么，不负责"执行"。执行由开发者的代码完成，结果再注入回 LLM 继续对话。strict 模式可以强制模型 100% 遵守 Schema，减少格式错误。

Q7: 什么是上下文窗口？窗口满了怎么处理？

A：上下文窗口是模型一次能处理的最大 Token 数量（输入+输出）。窗口满了有四种处理策略：①截断策略——保留最新的消息，截断最早的历史；②摘要策略——用 LLM 把旧对话压缩成摘要，释放空间；③向量检索策略——将历史对话存入向量库，按需检索相关片段注入；④滑动窗口——维护固定长度的对话窗口，旧消息自动移出。Agent 系统通常组合使用摘要 + 向量检索。

Q8: 从 ChatBot 到 Agent 经历了哪三次进化？

A：三次进化：①第一代纯聊天（2022-2023，ChatGPT 早期）——只能对话，所有回答基于训练数据，无法获取实时信息；②第二代+工具（2023-2024，Function Calling）——能调用外部 API 获取实时数据，但仍是一问一答模式；③第三代+循环+记忆（2024-2026，ReAct Agent）——自主规划多步任务、循环调用工具、自我纠错、持续记忆。每次进化都解锁了全新的能力维度。

Q9: Self-Consistency 的原理是什么？

A： Self-Consistency（自一致性）是对 CoT 的增强：对同一个问题用 CoT 生成多个推理路径（通过设置 temperature > 0 多次采样），然后对所有答案进行多数投票（Majority Voting），选择出现次数最多的答案作为最终结果。原理是：正确的推理路径更可能收敛到同一个答案，而错误路径更可能发散。代价是需要多次 LLM 调用，成本是单次 CoT 的 N 倍（N 为采样次数，通常 5-10 次），适用于有确定答案的推理任务。

Q10: 主流 Embedding 模型有哪些？怎么选型？

A：主流模型包括：OpenAI 的 text-embedding-3-small/large（通用性好、API 方便）、智源的 bge-large-zh/bge-m3（开源、中文优秀、长文本支持）、text2vec-base-chinese（轻量中文专用）、Cohere embed-v3（企业级）。选型考虑三个维度：①语言——中文场景优先 bge 系列；②成本——开源模型免费但需自建服务，闭源按 Token 付费；③精度——维度越高精度越好但存储和计算成本也越高。一般推荐 bge-m3 做起步。

关于 Embedding 和向量检索，以下哪些说法是正确的？（多选）

A. Embedding 将文本转换为高维向量，语义相近的文本向量距离近 B. 稠密向量适合语义相似性搜索，稀疏向量适合精确关键词匹配 C. Embedding 维度越高越好，精度一定更高 D. RAG 系统中，用户问题和文档都需要经过 Embedding 才能进行语义检索

答案与解析

正确答案：A、B、D

Embedding 将文本转为向量用于语义检索，稠密向量适合语义搜索，稀疏向量（如 BM25）适合关键词匹配。RAG 中问题和文档都需要 Embedding。维度不是越高越好——维度高精度可能更好，但存储和计算成本也更高，需要权衡。

# 第 13 题（多选）

以下哪些是 Agent 相比纯 LLM 多出的核心能力？（多选）

A. 记忆系统（短期+长期记忆，跨会话上下文保持） B. 规划能力（将复杂任务拆解为可执行子任务） C. 更大的模型参数量（Agent 一定用更大的模型） D. 工具调用（通过 Function Calling 与外部世界交互）

答案与解析

正确答案：A、B、D

Agent 比纯 LLM 多了：记忆系统、规划能力、工具调用。Agent 不一定用更大的模型——可以用任何 LLM 作为"大脑"，关键是架构设计（记忆+规划+工具+反思），不是模型大小。

索引大模型与 Agent 基础概念

西瓜空间站