Agent（智能体）是人工智能领域中能够感知环境、自主决策并采取行动以完成目标的程序或系统。其核心特征包括：具备自主性，可在无持续人工干预下运行；具备目标导向性，能规划并执行多步骤任务；以及工具调用能力，可与外部系统或API交互。Agent广泛应用于任务自动化、对话系统、编程辅助等场景。
全自主模式适合高度标准化的重复任务，逐步确认模式适合风险较高或不可逆的操作（如文件删除、资金操作）
后端出身的开发者相比纯算法背景人员在系统稳定性、可观测性、容错设计上转型Agent开发有明显优势
如果一个客服FAQ场景规则匹配能覆盖95%的问题，引入Agent反而会增加系统复杂度和不确定性，只有需要灵活推理、动态决策、跨系统协调的场景Agent才能真正发挥价值
Agent系统本质上是一个复杂的分布式后端系统，只不过中间多了一个大模型组件
解决Token爆炸的常见策略包括对话历史摘要压缩、滑动窗口截断、按重要性筛选上下文、分层记忆机制
Agent Loop的理论基础可追溯到1980年代的BDI（Belief-Desire-Intention）架构和强化学习中马尔可夫决策过程（MDP）的agent-environment interaction loop
Agent框架慢于直接对话主要因为注入大量系统提示词工具定义、ReAct多轮推理和上下文累积导致输入token数增长
Workflow中控制权归属于代码，Agent中控制权归属于模型，两者取舍本质是确定性与灵活性的权衡
一个工具加一个循环等于一个最小Agent，是智能体开发体系的基础
智能体的智能来自模型本身，工程只是提供一个能持续获取反馈和行动的最小闭环
21 more timeline events
在ReAct框架中，当工具数量超过20个时，Token消耗和模型的工具选择准确率都会显著下降，这被称为'工具过载'问题
80%Verified基于LLM的智能体框架通常采用ReAct（推理+行动）或Plan-and-Execute等设计模式
65%Verified智能体（Agent）是具备自主决策能力的AI，能自行拆解任务如搜索信息、提取内容、生成报告
65%Verified工具调用（Function Calling/Tool Use）是Agent系统的核心能力，允许模型动态调用搜索引擎、代码解释器、数据库查询、API接口等外部资源
65%UnverifiedWorkflow的控制流由代码预先确定，执行路径固定；Agent的每一步由LLM自主决策，具有动态规划能力
90%UnverifiedAgent的认知状态本质上是一段结构化的token序列，可以被完整序列化、传输和反序列化
85%Unverified2024-2025年AI从Copilot模式向Agent模式转变的趋势正在加速
80%UnverifiedGoogle用Agent重塑了搜索引擎
60%Unverified将Agent能力拆分为独立技能单元并通过组合实现复杂功能的模块化架构思想正在被广泛接受
60%Unverified全自主模式适合高度标准化的重复任务，逐步确认模式适合风险较高或不可逆的操作（如文件删除、资金操作）
50%UnverifiedAgent系统本质上是一个复杂的分布式后端系统，只不过中间多了一个大模型组件
50%Unverified后端出身的开发者相比纯算法背景人员在系统稳定性、可观测性、容错设计上转型Agent开发有明显优势
50%Unverified如果一个客服FAQ场景规则匹配能覆盖95%的问题，引入Agent反而会增加系统复杂度和不确定性，只有需要灵活推理、动态决策、跨系统协调的场景Agent才能真正发挥价值
50%Unverified解决Token爆炸的常见策略包括对话历史摘要压缩、滑动窗口截断、按重要性筛选上下文、分层记忆机制
50%UnverifiedAgent Loop的理论基础可追溯到1980年代的BDI（Belief-Desire-Intention）架构和强化学习中马尔可夫决策过程（MDP）的agent-environment interaction loop
50%UnverifiedAgent框架慢于直接对话主要因为注入大量系统提示词工具定义、ReAct多轮推理和上下文累积导致输入token数增长
50%UnverifiedWorkflow中控制权归属于代码，Agent中控制权归属于模型，两者取舍本质是确定性与灵活性的权衡
50%Unverified智能体的智能来自模型本身，工程只是提供一个能持续获取反馈和行动的最小闭环
50%Unverified一个工具加一个循环等于一个最小Agent，是智能体开发体系的基础
50%Unverified先用Agent+Skills快速跑通分析验证思路，再将确认有效的流程固化为标准Pipeline用于正式发表是理想的工作方式
50%