企业官网建设流程全解析

本文系统地学习了AI Agent的10个核心概念，包括Agent核心循环（感知、思考、行动、观察）、工具调用机制（函数调用与MCP）、规划与任务分解、记忆系统（短期、长期、工作记忆）、上下文窗口管理、ReAct范式、多Agent协作、错误处理与自我纠正、安全与对齐，以及编排框架与实战选型。文章通过大量实际场景帮助理解这些概念，旨在帮助读者理解AI Agent背后的原理，摆脱对其作为黑盒的认知。

前言

你盼世界，我盼望你无bug。Hello 大家好！我是霖呆呆。

目前各种 Agent 产品层出不穷。我自己也用了一段时间的 Claude Code，用着用着就产生了一个疑问：

这些 Agent 到底是怎么"思考"的？它凭什么知道该调哪个工具？它怎么记住我之前说的话？

带着这些问题，我系统地学习了 AI Agent 的 10 个核心概念，从最基础的"Agent 核心循环"一直学到"编排框架选型"。

这篇文章就是我整个学习过程的总结，会用大量实际场景来帮你理解这些概念。如果你也在用 Agent 工具但对背后的原理一头雾水，这篇文章应该能帮到你 👇

目录

• 一、Agent 核心循环：Perceive → Think → Act → Observe
• 二、工具调用与函数调用：LLM 是怎么"动手"的
• 三、规划与任务分解：Agent 怎么把大任务拆小
• 四、记忆系统：短期、长期、工作记忆
• 五、上下文窗口管理：Agent 的"内存管理"
• 六、ReAct 范式：边想边做的艺术
• 七、多 Agent 协作：一个人干不完就叫帮手
• 八、错误处理与自我纠正：Agent 犯错了怎么办
• 九、安全与对齐：给 Agent 装上"刹车"
• 十、编排框架与实战选型：用什么工具来造 Agent

一、Agent 核心循环：Perceive → Think → Act → Observe

学 Agent 的第一步，就是搞清楚它到底在干嘛。

大家可能也知道，Agent 发展至今，已经不仅仅停留在"你问它答"了。一个真正的 Agent 在工作时，一直在跑一个四步循环：

Perceive（感知）→ Think（思考）→ Act（行动）→ Observe（观察） ↑ | └──────────────────────────────────────────┘

来看个 🌰：

你让 Agent 帮你翻译一份 PDF 文档：

看到没，Agent 不是一条线走到底的，而是在不断循环。每一次 Observe 之后都会回到 Think，重新审视当前状态。

最容易踩的坑：Think 缺失导致死循环 🚨

如果一个 Agent 陷入了死循环，第一反应不应该是"加个重试上限"，而是要问：它的 Think 步骤是不是出了问题？

来看个反面案例：

Agent 在翻译完 PDF 后，没有经过 Think 步骤来判断"翻译结果是否可以返回给用户了"，而是直接又回到 Perceive，把翻译结果当成新的输入，开始翻译"翻译后的内容"… 然后无限循环 😵

翻译 PDF → 拿到结果 → 没有思考"是否完成" → 又去翻译 → 又拿到结果 → ...

这不是"缺少重试上限"的问题——那只是工程层面的补救。根本原因是 Think 步骤缺失，Agent 没有在 Observe 之后停下来思考：“我到底做完了没有？”

这个区分很重要：Think 决定"做什么"，重试上限决定"做多久"。两者缺一不可。

二、工具调用机制：Function Calling 与 MCP

搞清楚了核心循环，下一个问题来了：循环中的Act 步骤，Agent 是怎么"动手"的？

这里涉及两个容易混淆的概念：Function Calling（函数调用）和MCP（Model Context Protocol）。

Function Calling：LLM 的"表达方式"

LLM 自己是不能执行代码的，它本质上只是在"生成文本"。那它怎么调工具呢？

答案是：**LLM 输出一段结构化的 JSON，告诉宿主程序"我想调这个工具"**：

{ "tool": "get_weather", "parameters": { "city": "上海" }}

这就是 Function Calling——LLM 用结构化数据表达调用意图，但它自己不执行。

MCP：宿主侧的"连接协议"

MCP 是宿主程序（比如 Claude Code）用来管理和连接外部工具服务器的协议。它解决的是"工具从哪来、怎么调"的问题。

它们的关系

LLM 输出 Function Call → Host 解析 → 通过 MCP（或其他方式）路由到具体工具 → 执行 → 结果返回给 LLM

这里有个关键理解：从 LLM 的角度看，所有工具长得都一样。无论这个工具是内置的还是通过 MCP 配置的，LLM 都是输出同样格式的 Function Call。至于工具到底是内置的还是 MCP 的，那是 Host 层面的事。

好吧，用人话说就是 😂：

• Function Calling= LLM 的"嘴"（表达意图）
• MCP= Host 的"手"（连接和执行工具）

工具描述的质量决定一切 💡

LLM 怎么知道该调哪个工具？答案是靠工具描述。对比一下：

// ❌ 模糊的描述name: "data_processor"description: "处理数据"// ✅ 精准的描述name: "csv_to_json_converter"description: "将 CSV 格式的文本转换为 JSON 数组，每一行成为数组中的一个对象，首行作为字段名"

第一个描述太泛了——“处理数据”？处理什么数据？怎么处理？LLM 看到这种描述基本是蒙圈的。第二个描述就很明确，LLM 知道遇到 CSV 转 JSON 的需求时该调它。

💡记住：工具描述不是写给人看的注释，而是写给 LLM 看的"使用说明书"。

三层安全设计

工具调用涉及到安全问题，比如"发邮件"这种不可逆操作。完整的安全设计有三层：

1. 工具描述约束：在工具描述中写明"调用前必须和用户确认内容"
2. LLM Think 评估：LLM 在 Think 步骤判断"这个操作是否需要确认"
3. Host 拦截：宿主程序对高风险操作弹出确认提示

三层防线，缺一不可 🎯

三、规划与任务分解：Agent 怎么把大任务拆小

如果你用 Claude Code 帮你做一个博客项目，你会发现它不会上来就开始写代码。它会先做一件事：规划。

列出需求点、确定技术栈、规划页面结构、拆出任务清单——每一项都是具体要执行的步骤。

带依赖关系的拆解

关键不是简单列个 TODO list，而是要搞清楚任务之间的依赖：

任务 1: 初始化项目 → 无依赖任务 2: 搭建页面布局 → 依赖任务 1任务 3: 实现暗黑模式 → 依赖任务 2任务 4: 写单元测试 → 依赖任务 2、3

为什么依赖关系这么重要？三个原因：

1. Agent 知道执行顺序
2. 保证依赖任务完成后才执行下游任务
3. 在多 Agent 模式下，能知道哪些任务可以并行分配

两种执行策略

实际的 Agent 更偏向交替式。因为就算规划得再好，执行过程中也可能遇到突发情况——比如执行到第 3 步发现 Next.js 版本不支持某个暗黑模式方案，这时候 Agent 需要重新审视整个计划，调整方案再继续执行。

🚨还有一个容易忽略的点：探索先于规划！

比如要重构一个认证模块，Agent 不应该上来就写计划。而是先审视一下项目现有的认证模块——看能不能改、改了影响多大——然后再做规划。

四、记忆系统：短期、长期、工作记忆

Agent 怎么"记住"东西？这里有三种截然不同的记忆类型 👇

三种记忆

这三者最容易搞混的是长期记忆和工作记忆。

来个场景帮你区分：

一个客服 Agent，用户打来电话说"耳机坏了要退货"。Agent 承诺 3 天内处理。

三天后用户又打来问进度。

这时候 Agent 需要知道"之前承诺了 3 天内处理"这个信息——它应该存在哪种记忆里？

答案是长期记忆。因为这个信息需要跨对话保留。工作记忆不行，因为它在上一次对话结束时就被丢弃了。

💡区分标准很简单：需要跨对话保留的 → 长期记忆。只在当前任务中有用的 → 工作记忆。

五、上下文窗口管理：Agent 的"内存管理"

LLM 的上下文窗口是有限的（就像你电脑的内存）。一个处理大型项目的 Agent，不可能把所有文件都塞进上下文里。

那怎么办？这里有几个核心策略：

策略一：按需加载

不一次性读所有文件，而是先搜索定位，再精确读取。

比如 Claude Code 修一个 bug，它的做法是：

1. 先用grep搜索关键词，找到 3 个相关文件
2. 只读取这 3 个文件的内容
3. 修改完成

而不是把整个项目的 50 个文件全部读一遍。

策略二：摘要压缩

对话太长时，把早期的对话内容压缩成摘要，保留关键信息，释放上下文空间。

策略三：子 Agent 分担

把任务拆给子 Agent 处理，每个子 Agent 有自己独立的上下文窗口。这样就把一个大的上下文需求分散到了多个小窗口里。

策略四：避免冗余

已经知道的信息不要重复加载。比如 Claude Code 编辑完一个文件后，不会重新读取这个文件——因为编辑的内容已经在上下文里了，再读一次就是加载重复信息。

💡"避免冗余"和"摘要压缩"不是一回事！

• 避免冗余：不加载重复信息
• 摘要压缩：把已有信息压缩变短

前者是"不加"，后者是"缩短"。我之前就搞混过 😅

六、ReAct 范式：边想边做的艺术

ReAct =Reason +Act。它和核心循环是什么关系？

核心循环是通用的设计模式，ReAct 是具体的实现方法。

就像"组件化"是通用的前端思想，React 是实现组件化的具体框架。你不会说"组件化是 React 的改良版"对吧 😂

ReAct 之前的两种做法

ReAct 的创新就是把两者结合——Thought 和 Action 交替进行：

Thought: 我需要先确认《三体》的作者，不能凭记忆猜Action: search("三体 作者")Observation: 刘慈欣Thought: 确认是刘慈欣，接下来搜他的其他作品Action: search("刘慈欣 其他作品")Observation: 《球状闪电》《流浪地球》《超新星纪元》...

ReAct 的两大核心价值

1. 自我纠错

当搜索失败时，Thought 步骤让 Agent 能反思原因并调整策略：

Thought: 我需要先确认作者Action: search("三体 作者")Observation: 没有找到相关结果Thought: 搜索失败了，可能是关键词不对，换个方式试试Action: search("《三体》 科幻小说 作者是谁")Observation: 刘慈欣

如果是 Action-only 模式，搜索失败后 Agent 可能直接跳到下一步，或者傻乎乎地告诉你"找不到" 😬

2. 可追溯性（Traceability）

每一步推理都显式输出，开发者能看到 Agent “在想什么”。出了问题可以精确定位到哪一步的推理出了错。

其实你在 Claude Code 里已经见过了——Agent 在每次调用工具前输出的那些分析和推理文字（比如"让我先搜索一下相关文件"），就是 ReAct 中 Thought 的体现 💡

什么时候不需要 ReAct？

流程固定、没有不确定性的任务不需要。

比如"每天早上查天气 → 格式化 → 发通知"，这种固定流水线甚至不需要 LLM 来编排，一个定时脚本就够了。ReAct 的价值在于应对不确定性，固定流程用它反而是浪费 token 🤷‍♂️

七、多 Agent 协作：一个人干不完就叫帮手

到目前为止我们聊的都是单个 Agent 的能力。但当任务变复杂了，一个 Agent 就不太够用了。

为什么需要多 Agent？

两种协作架构

中心编排（Orchestrator）：

[主 Agent] / | \ 后端Agent 前端Agent 测试Agent

主 Agent 负责分配任务、收集结果、协调信息。子 Agent 之间不直接通信。

去中心化（Peer-to-peer）：

后端Agent ←→ 前端Agent ↕ ↕ 测试Agent ←→ ...

Agent 之间直接通信，通过共享状态来同步。

Claude Code 用的是哪种？

中心编排。Claude Code 有一个主 Agent 做全局把控，spawn 出子 Agent 来并行处理任务。子 Agent 之间不直接通信，所有信息流经主 Agent。

为什么选这种？因为主 Agent 能统一调度——当后端 Agent 改了 API 字段名，主 Agent 可以通知前端 Agent 和测试 Agent 同步修改。如果是去中心化的，这个信息同步就会很混乱。

中心编排的代价

主 Agent 会成为瓶颈——所有信息都要经过它，带来额外的 token 消耗和延迟。所以实际使用中，主 Agent 不会让子 Agent 汇报每一个细节，而是只收集关键结果和变更🎯

八、错误处理与自我纠正：Agent 犯错了怎么办

Agent 不是万能的，它会犯错。关键是怎么发现错误和怎么处理错误。

三类错误信号来源

需要注意的是，这里的可靠性指的是信号的确定性——环境反馈是程序化的确定结果， 而人类反馈可能存在表述模糊的情况。但在意图判断层面，人类反馈的权威性是最高的。

四种应对策略（从轻到重）

🚨还记得核心循环里的 Think 吗？这里又用上了：

Think 决定"做什么"，重试上限决定"做多久"。没有 Think，Agent 会盲目重试同样的操作；没有重试上限，即使有 Think 也可能无限尝试。两者缺一不可！

实际中，一个错误可能需要组合使用多种策略。比如执行npm install报磁盘空间不足，Agent 可能需要先清理缓存（换方式重试），但清理磁盘属于有风险的操作，又需要先问用户（升级求助）。

九、安全与对齐：给 Agent 装上"刹车"

Agent 能力越强，越需要安全约束。这不是可选的，是必须的 🚨

风险分级权限模型

如果你用过 Claude Code，应该对此很熟悉——读文件不问你，执行 Bash 命令会弹确认。

四层防御（Defense in Depth）

这是整个安全设计中最重要的概念 👇

核心原则是：每一层都不能完全信任上一层。

即使模型层没拦住（被 prompt injection 绕过了），工具层可以拦；工具层也没拦住，系统层可以拦；系统层也漏了，还有人类做最后把关。

如果你做过前端，这个思路你一定不陌生——输入校验就是一样的：

用户输入 → 前端表单校验 → API 参数校验 → 数据库约束（NOT NULL、UNIQUE）

每一层都不信任上一层已经校验过了。这就是多层防御的精髓 🎯

十、编排框架与实战选型：用什么工具来造 Agent

学完了 9 个核心概念，理论上你完全可以从零写一个 Agent 了。但正如你不会用原生 JS 从头撸一个大型应用一样——有框架帮你封装好了通用的能力，何必自己造轮子 😁

三个层级

选型指南

选底层 SDK：需要极致控制力，团队技术能力强。比如 Anthropic 的 Claude Code，它的核心循环、上下文管理、权限系统、hook 机制都是从底层直接构建的——这种高度定制的场景，就适合在 SDK 层级或更底层去实现。

选编排框架：有开发能力的团队，想利用框架的核心抽象（Agent、Tool、Memory）快速搭建，同时保留一定的灵活性和可扩展性。

选低代码平台：不懂开发的人员也能用可视化方式搭工作流，或者需要快速验证想法。比如一个运营同学想搭个"每天自动总结新闻发到飞书群"的工作流，用 Dify 拖拖拽拽就行了。

💡一个有趣的趋势：

当前 Agent 领域还在快速演化，底层 SDK 的使用率在上升。因为很多编排框架的抽象层反而成了限制——Agent 的行为很难被预定义的流程图完全覆盖。Anthropic 官方推荐的做法就是用轻量 SDK + 简单代码编排，而不是引入重型框架。

这就像前端早期——很多人觉得必须用框架，后来发现对于很多场景，原生 JS + 轻量库反而更合适 🤷‍♂️

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】