AI Agent

本文从工程实践的角度系统介绍 Agent Fundamental，包括 Agent 的定义、核心架构、Agent Loop、Tool Calling、Planning、Memory、RAG、Reflection、Multi-Agent、MCP、Agent Runtime、安全治理以及 Evaluation.

Tool Calling 让 LLM 从“生成信息”进入“调用能力”的世界，而 Agent Runtime 则负责把这种能力变成安全、可靠、可观测、可控制的真实软件执行.

一个能够理解目标、进行决策、调用工具、执行任务，并根据执行结果继续行动的 AI 系统。

Agent 防止无限循环通常采用多层 Guard 机制，包括最大执行步数、Token 限制、Timeout、Tool 调用次数限制、Retry 上限、重复状态检测以及 Agent 调用链的 Cycle Detection。对于 Multi-Agent，还需要通过 Supervisor、State Machine 和 Agent 权限边界控制 Agent 间的循环调用。生产环境一般不会让 LLM 完全自由地控制 Workflow，而是让 LLM 负责决策，把执行流程交给确定性的 Workflow/State Machine 控制。

不要让 Agent 只思考“下一步调用哪个 Tool”，而要让它理解“当前目标是什么、为了达到目标需要完成哪些任务、任务之间有什么依赖、执行过程中获得的新信息是否改变了原来的计划，以及什么时候已经足够完成任务”。

Memory 是 AI Agent 从“会聊天的 LLM”走向“能够长期工作的智能系统”的关键基础设施。

Autonomous Agent（自主智能体）不是“一个会调用工具的 LLM”，而是一套能够围绕目标自主进行规划、执行、观察、反思、记忆和动态调整的闭环系统。

ReAct（Reasoning and Acting）是现代 AI Agent 最重要的基础范式之一。它并不是简单地让大模型“边思考边调用工具”，而是一种将推理、行动、环境反馈和状态更新组织成闭环的 Agent 架构。

Reflection（反思）是 AI Agent 从“执行任务”走向“自我检查、自我修正、自我改进”的关键机制