Agent
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。
Core Facts
Mainstream Agent architectures typically use a large language model as the brain, combined with memory modules, planning modules, and tool interfaces to accomplish complex tasks
Agent具备规划、工具调用、记忆与自主迭代的能力，区别于传统大语言模型的单次问答模式
Skill是将专业能力、领域知识和操作规范打包成可复用单元，让Agent在恰当时机自动调用的模块化封装
Timeline (last 90 days)
聊天机器人和智能体搭建平台本身都不是Agent
工作流平台的逻辑比通用Agent自主规划路径更确定、更可控、更易排查问题，更受企业级用户青睐
开发者此前通常借助LangChain、AutoGen等第三方框架手动实现Agent编排逻辑
Agent的落地场景包括教育（个性化学习规划、智能作业批改）、智慧办公、电商客服、金融投顾、医疗辅助等
Agent被视为迈向AGI的关键路径，核心逻辑是完成开放性目标需要理解语言、制定计划、操作工具、从反馈中学习并持续调整
UP主认为市面上99%的Agent教程都没讲清楚真正的实战
跟着速成教程跑通代码只是复刻成品，不懂原理和业务适配，换场景就会失效
学习Agent的正确顺序应是先懂逻辑再做项目，而不是开篇堆砌专业名词
观察步骤是Agent与简单工作流的本质区别，Agent能根据环境反馈持续调整执行过程而非简单串联API
在Agent场景中RAG通常被封装成一个可调用的工具，由模型自行决定何时触发检索，而非每次对话强制拼入全量文档
40 more timeline events
All Facts (20)
Mainstream Agent architectures typically use a large language model as the brain, combined with memory modules, planning modules, and tool interfaces to accomplish complex tasks
90%VerifiedAgent具备规划、工具调用、记忆与自主迭代的能力，区别于传统大语言模型的单次问答模式
90%VerifiedSkill是将专业能力、领域知识和操作规范打包成可复用单元，让Agent在恰当时机自动调用的模块化封装
90%Verified一个复杂的Agent任务可能需要数十次甚至上百次模型调用
90%Verified2023年以来，随着GPT-4、Claude等大语言模型推理能力的飞跃，Agent从学术概念迅速走向工程实践
90%VerifiedLangGraph将Agent工作流抽象为有向图，每个节点代表一个Agent或处理步骤，边代表状态流转条件
90%VerifiedAgent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%Verified一个典型的Agent由'感知—规划—行动—反思'的循环构成
85%VerifiedAI评估对象分为大语言模型评估、知识库（RAG）评估、智能体（Agent）评估三层，且呈知识度和复杂度递增的递进关系
80%VerifiedAgent的长期记忆可细分为情景记忆、语义记忆和程序性记忆三类
80%VerifiedDeepSeek Harness 采用插件化架构，模型、工具、会话沙箱以及 Agent 主循环本身都可以替换和重新组合
80%Verified代码执行型Agent具备完整的「感知—规划—执行—反馈」循环能力，能读取数据、自主制定实验方案、执行代码并根据结果动态调整策略
80%Verified测试人员的定位正在从执行者转向AI评审员，能驾驭AI的前提是自身具备自动化测试、性能测试等底层技能
80%Verified智能路由的本质是根据任务复杂度、上下文需求和成本考量，动态选择最合适的处理路径
80%Verified如果一个10步操作中每步准确率为95%，整体成功率仅约60%
80%VerifiedLangGraph是LangChain团队推出的Agent编排框架，其核心理念是将Agent的执行流程建模为有向图（DAG），支持循环、条件分支等复杂控制流
80%Verified一个典型的Agent架构包含大模型核心、工具集、记忆系统和规划模块四个核心组件
80%VerifiedAgent单次任务的Token消耗量可能是普通对话的5-10倍，因为涉及多轮大模型调用
80%VerifiedAgent的核心公式为：Agent = 大模型 + 工具调用 + 自主决策能力
80%VerifiedAgent Skills 具备上下文感知、可组合性和自描述性三个关键特征
80%