Agent：能干活的 AI
四大能力 Plan / Tool / Memory / Act，点击查看真实案例
本页解决的问题
先给结论「Agent：能干活的 AI」要解决的关键问题是什么？
四大能力 Plan / Tool / Memory / Act，点击查看真实案例
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
本节乃至整个 Agent 工程章节的很多想法，都来自她 2023 年 6 月的博客 《LLM Powered Autonomous Agents》。她是一位令人尊敬的前辈，明确提出了影响深远的 Agent 架构——就是上面这张著名的「螃蟹图」：Agent（LLM）居中当大脑，向四周伸出 Planning 规划、Memory 记忆、Tools 工具、Action 行动。
这张图对整个 AI Agent 行业影响深远，今天几乎所有 Agent 框架都能在里面找到影子。非常推荐关注她的推特。
只能「说」，不能「做」
「经典架构 · 出处必读」为什么能找到相关内容
「本节乃至整个 Agent 工程章节的很多想法，都来自她 2023 年 6 月的博客 《LLM Powered Autonomous Agents》 。她是一位令人尊敬的前辈，明确提出了影响深远的 Agent 架构——就是上面这张著名的「螃蟹图」： Agent（LLM）居中当大脑 ，向四周伸出 Planning 规划、Memory 记忆、Tools 工具、Ac…」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「这张图对整个 AI Agent 行业影响深远，今天几乎所有 Agent 框架都能在里面找到影子。非常推荐关注她的推特」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
先区分找得到和找得准
把「这张图对整个 AI Agent 行业影响深远，今天几乎所有 Agent 框架都能在里面找到影子。非常推荐关注她的推特」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「经典架构 · 出处必读」走到「四大能力（源自 Lilian Weng 架构）· 点击切换演示」
「经典架构 · 出处必读」先把问题落在「本节乃至整个 Agent 工程章节的很多想法，都来自她 2023 年 6 月的博客 《LLM Powered Autonomous Agents》 。她是一位令人尊敬的前辈，明确提出了影响深远的 Agent 架构——就是上面这张著名的「螃蟹图」： Agent（LLM）居中当大脑 ，向四周伸出 Planning 规划、Memory 记忆、Tools 工具、Action 行动」上；到了「四大能力（源自 Lilian Weng 架构）· 点击切换演示」，讨论继续推进到「🧭 Plan 规划 把复杂任务拆解为可执行的步骤序列，先想清楚再动手 🔧 Tool Use 工具 调用搜索、代码执行、数据库、API，是手脚的延伸 🧠 Memory 记忆 短期上下文 + 长期向量存储，跨对话记住用户 🔄 Act / Reflect 反思 执行后观察结果，失败则自动分析原因并纠错」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「经典架构 · 出处必读」：本节乃至整个 Agent 工程章节的很多想法，都来自她 2023 年 6 月的博客 《LLM Powered Autonomous Agents》 。她是一位令人尊敬的前辈，明确提出了影响深远的 Agent 架构——就是上面这张著名的「螃蟹图」： Agent（LLM）居中当大脑 ，向四周伸出 Planning 规划、Memory 记忆、Tools 工具、Action 行动
- 「四大能力（源自 Lilian Weng 架构）· 点击切换演示」：🧭 Plan 规划 把复杂任务拆解为可执行的步骤序列，先想清楚再动手 🔧 Tool Use 工具 调用搜索、代码执行、数据库、API，是手脚的延伸 🧠 Memory 记忆 短期上下文 + 长期向量存储，跨对话记住用户 🔄 Act / Reflect 反思 执行后观察结果，失败则自动分析原因并纠错
- 「最后的要点」：这张图对整个 AI Agent 行业影响深远，今天几乎所有 Agent 框架都能在里面找到影子。非常推荐关注她的推特
最后的「最后的要点」把讨论落到「这张图对整个 AI Agent 行业影响深远，今天几乎所有 Agent 框架都能在里面找到影子。非常推荐关注她的推特」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。