一次讲清AI Agent的12个核心原理：从Message到多智能体

AI Agent（智能体）的概念被炒得火热，但很多人在技术名词里绕不出来。其实，Agent的底层逻辑在过去一年多并没有根本性变化，那些看似复杂的框架，拆开来看无非是几个基础原理的组合。本文根据B站UP主的系统梳理，用零门槛的方式把这12个核心原理串起来，帮你真正理解AI是怎么替我们干活的。

一、交互的起点：Message数据结构与无状态本质

1. Message：AI唯一的交流通道

我们和AI聊天感觉像有来有回，但大模型底层并没有所谓的“对话通道”。所有交互只走一个通道：Message数组。每次请求并不是只发当前这句话，而是把历史记录打包成一个列表（数组）发过去。大模型做的事类似做阅读理解——读完这一整组消息，推测接着往下写什么最合适。

底层这个数组用JSON格式封装，清楚标明哪句是用户说的（role: user），哪句是AI回复的（role: assistant）。如果发一个空数组过去，大模型不会编出任何一个字。这正是所有Agent最基础的起点。

2. 无状态：AI根本没有记忆

一个颠覆认知的真相是：大模型没有任何记忆，每次请求都是完全清空、重新开始，技术上叫“无状态”。上一秒刚让它写邮件，下一秒说“太长了缩短一点”，在它眼里你都是全新陌生人。

那它怎么知道要缩短什么？是系统在后台做小动作：把上一轮的问题、AI的回复，加上“缩短一点”这句新指令，全部重新打包塞进一个全新的payload一次性发给模型。这个装历史记录的容量就是上下文窗口。窗口太小聊两句就忘，全塞进去又贵又容易“看花眼”，如何平衡是Agent开发的基本功。

二、控制AI行为：System Prompt与提示词工程

3. System Prompt：给AI戴上人设面具

怎么让AI扮演特定角色？靠系统提示词（system prompt）。它写在Message数组最顶部、权限最高，像最高行为准则，让模型处理后续所有对话时都带着这个面具思考。

对比很直观：直接问“解释一下什么是API”，模型给出教科书式定义，枯燥乏味。如果在请求开头塞进一段system prompt——“你是一个面对五岁小孩的幼师，请用生动的比喻解释复杂概念”——同样的问题，画风立刻变成“想象一下API就像餐厅里的服务员小熊”。做客服Agent还是写作助手，这是锁死AI行为风格的第一步。

4. 思维链（CoT）：让AI学会打草稿

大模型底层没有计算器，算数学题本质是用概率“瞎蒙”下一个数字，直接问六位数乘七位数几乎必错。但神奇的是，加一句“请一步一步计算”，准确率能飙升到90%以上。

原理在于：模型靠前面的历史对话推测后续内容。当它一步步列出中间推理过程（拆分数字、个位相乘），这些正确的中间步骤就变成了后续预测答案的上下文——它在给自己提供线索。就像人做复杂算术，硬想容易错，拿草稿纸列步骤结果一般不会错。这就是思维链（Chain of Thought，CoT）。

5. 少样本提示（Few-shot）：用例子锁死输出格式

做Agent时常见崩溃场景：要求情绪判断系统只输出“正面/负面/中性”三个词（zero-shot零样本提示），模型却回一大堆解释，在代码里就是bug。讲道理没用，最有效的办法是直接给两三个具体例子：

输入：今天天气真好心情舒畅 → 输出：正面 输入：随便把我都行 → 输出：中性 输入：这电影太难看了 → 输出：（空着）

模型一看瞬间懂了，完全模仿格式只输出“负面”。一个真实例子顶得上十行抽象要求，这就是少样本提示（few-shot）。

6. 预填窗（Pre-fill）：掐掉开头的废话

即便用了few-shot，有些模型还是太有礼貌，一开口就是“好的，这是您要的JSON数据”，程序解析直接报错。预填窗的思路很巧妙：在模型开口之前替它把开头写好。想让它返回JSON，就在AI回答的起始位置预填一个左大括号。大括号已经在这儿了，模型没法从头说“好的”，只能顺着语义往下写键值对，最后补上右大括号，输出干净利落，全是可解析的JSON。这个技巧在构建稳定Agent时不可或缺。

7. 停止序列：该闭嘴时立刻闭嘴

AI脑补能力极强。让它查北京天气，它输出“Action: GetWeather”后如果不喊停，会自己假装成天气工具，顺手写下“Observation: 北京今天晴天30度”——代码还没来得及联网，它已经把结果幻想了，这在Agent系统里是灾难性bug。

解决办法是设置停止序列（stop sequence），比如单词“Observation”：写到这个词必须立刻停，后面一个字不许写。控制权回到代码手里，拿着命令去真实接口查到数据，再把真结果拼进历史对话重新塞给模型。这一收一放的控制权交接，全靠停止序列踩刹车。

三、工具调用与外部知识：Agent的能力边界

8. 工具调用：AI其实不会用任何工具

总听人说AI能联网、查数据库、调用工具，真相是：AI底层既不能上网，也操作不了任何软件，唯一会做的就是根据概率吐字符串。所谓调用工具，是开发者在外面套的一层协议。

完整流程是：模型输出一段JSON格式的调用指令后任务就结束了；Agent框架截获并解析这串JSON，发现它要北京天气，于是后台替它调用真实第三方API；拿到真实数据（30度晴天）后，再拼回给模型，模型才能继续组织语言回复你。工具调用的本质，是让模型输出规范化的调用指令，代码负责执行和回填。

9. RAG：给AI做一场开卷考试

怎么让模型知道公司私有数据（员工手册、报销流程、产品文档）？重新训练太贵。主流方案是RAG（检索增强生成），但它并不是把资料灌进模型脑子里，本质是给AI做开卷考试。

员工问“公司报销额度是多少”，系统不会直接把问题发给模型：程序先到向量数据库里检索，通过关键词或语义匹配找到条款片段（普通员工每月报销额度1000元），再把这段参考材料跟问题拼成全新的长Prompt：“请严格根据以下参考资料回答问题……”模型一看是开卷考试，笃定地回答“根据公司规定是1000元”。它没有记住私有数据，只是在递来的试卷上限读限抄。

四、自主运转：ReAct循环与多智能体编排

10. ReAct：思考、行动、观察的循环

怎么把动作连贯起来让AI自主规划？代码层面只是一个经典的外部循环，模型按模板重复三个动作，即ReAct模式：

• Thought（思考）：根据当前问题推理下一步做什么。
• Action（行动）：决定后输出工具调用JSON，交给代码真实执行。
• Observation（观察）：代码把执行结果拼回给模型，模型据此开始下一轮思考。

任务没完成，while循环就一直转，直到模型在思考阶段判定搞定才退出。所谓Agent的自主决策，本质就是用一个代码结构循环套上“思考-行动-观察”的模板不断转圈。

11. 幻觉：无法消灭，只能压制

循环转圈时最头疼的是幻觉。问“鲁迅和周树人打过架吗”，模型可能一本正经编出“他们曾在上海打过一架”。因为大模型本质是自回归生成机制，脑子里没有“我知道/我不知道”的概念，永远根据前面的字猜测下一个最可能的词，被逼着做文字接龙，自然会编出通顺但错误的内容。

幻觉是底层机制，无法百分百消灭，但可以压制：用RAG检索真实材料，并在系统提示词里严格约束“必须根据给出的事实回答，找不到依据就说不知道”；高风险决策节点上必须加人工核查，不能完全放权。

12. 多Agent编排：包工头与打工人的分工

把单个Agent调教好后，最后一步是让它们群策群力。多Agent编排很像职场分工：设一个“包工头”Agent接收复杂任务（如策划北京旅行），它自己不干具体活，而是拆解分发——查机票交给机票Agent调用航班API，订房间交给酒店Agent查房价，写攻略交给行程Agent组合行程。子Agent完成后汇报，包工头汇总，最后把完整攻略呈现给用户。这种协同让每个Agent专注垂直领域，大幅提升复杂业务系统的稳定性和效率。

写在最后

从最基础的Message数据结构与上下文记忆，到提示词工程（System Prompt、CoT、Few-shot、Pre-fill、停止序列），再到工具调用协议、RAG、ReAct循环和多智能体协同——所谓的AI Agent并不是什么高深技术，本质上是一个个逻辑简单的技术细节，在外部用程序代码拼接起来的系统工程。理解这套底层逻辑，不管你是自己写提示词调教，还是做项目架构，心里都能更有底。

背景补充

Message数组中的每条消息都通过role字段区分说话者，最常见的三种角色是：system（系统提示词，设定AI的行为准则）、user（用户输入）、assistant（AI的历史回复）。在工具调用场景中还会出现tool角色，用来承载外部工具返回的结果。不同厂商的API在字段命名上略有差异（如OpenAI用content，Anthropic支持content blocks），但核心结构一致：一个有序列表，加上每条消息的角色标签。理解这一点很关键——所谓“多轮对话”在模型看来只是这个列表更长而已，并不存在会话对象或连接状态。开发者需要自己维护这个列表的增删与截断，这正是Agent框架要解决的第一件事。

思维链在工程上还有两个延伸值得了解。其一是“零样本CoT”，即不提供示例、仅靠一句“Let's think step by step”就能显著提升推理表现，这说明分步推理能力在大模型中已部分内化。其二是“自洽性（Self-Consistency）”，即对同一问题采样多条不同的推理路径，再对最终答案投票取多数，用采样成本换取准确率。此外，CoT输出会占用上下文窗口，推理步骤越长token消耗越大；在Agent中通常把思考过程放在特定标签内（如<thought>），便于后续解析时与真正的行动指令区分开。

RAG中的“向量数据库”值得展开。文本先经过嵌入模型（embedding model）转换成高维向量，语义相近的文本在向量空间中距离更近。检索时把用户问题也转成向量，做近似最近邻搜索（如余弦相似度），取回最相似的若干片段。实际系统常采用混合检索：关键词检索（BM25）保证专有名词命中，向量检索保证语义召回，两者结果融合排序。检索到的片段还需经过重排（rerank）和截断，因为上下文窗口有限，塞入过多无关材料反而会稀释关键信息、诱发模型“看花眼”。分块策略（chunk size与重叠度）也直接影响召回质量，是RAG调优的主要抓手之一。