AI Agent
核心事实
时间轴 (近 90 天)
应使用真实且脏的数据做压力测试，而非只用精选样例，并从小范围灰度上线逐步扩大流量
很多Agent在开发阶段缺乏错误恢复机制，一步失败会导致无限重试烧掉token和成本或直接崩溃退出
应为每一次工具调用和模型调用埋点，确保出问题时可追溯
应在设计阶段就把错误处理、超时和重试当作一等公民，而非事后补丁
应设置成本与调用次数的硬性上限，防止失控循环
多步推理意味着多次模型调用，在真实流量下token消耗和响应延迟会呈非线性增长
Agent的非确定性使得传统的调试方式几乎失效，需要建立对每一步的完整可观测性
外部工具和API的超时、限流、返回格式变化会直接导致Agent卡住或走向错误分支
ProGantt是一个让AI Agent能够通过MCP直接读取和编写甘特图的项目
绝大多数AI Agent产品依赖云端大模型API运行，需要联网、支付token费用并将数据交给第三方
还有 40 条时间轴事件
全部知识事实 (20)
欧盟《人工智能法案》（AI Act）明确要求高风险AI系统必须具备人类监督和干预能力
90%已验证AI Agent的架构通常由四个模块构成：感知模块、记忆模块、规划模块和行动模块
90%已验证目前主流的AI Agent框架包括LangChain、AutoGen、CrewAI等
90%已验证AI Agent通过工具调用（Tool Use）机制与外部系统交互，包括执行代码、调用API、读写数据库等
90%已验证Agent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%已验证智能体的记忆分为四个层次：短期记忆、长期记忆、实体记忆和程序性记忆
80%已验证AI从通用对话模型向专业智能助理的演进路径依次经历：听懂人话→持续对话→引用私有数据→调用工具→自主规划→遵守规则→安全可控
80%已验证完整的AI Agent学习路径包括基础理论、框架掌握、工具集成、工作流编排等阶段
80%已验证如果一个10步操作中每步准确率为95%，整体成功率仅约60%
80%已验证2025年被业界称为AI Agent的元年
80%已验证AI智能体具备三个关键能力：任务规划、工具调用、记忆与上下文管理
80%已验证一个典型的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%已验证AI智能体（Agent）的概念源自人工智能领域的BDI（Belief-Desire-Intention）模型
80%已验证AI Agent通常采用ReAct（Reasoning + Acting）模式，在推理和行动之间循环迭代
80%已验证AI Agent底层通常由大语言模型（LLM）驱动，配合工具调用、记忆模块和规划框架（如ReAct范式）实现复杂任务自动化
80%已验证AI Agent与传统聊天AI的根本区别在于具备感知-决策-行动的闭环能力，采用ReAct（Reasoning + Acting）框架
80%已验证AI Agent具备'规划-执行-反馈'的完整闭环能力，能自主拆解复杂任务、调用外部工具、持续迭代直到任务完成
80%已验证Agent的核心公式为：Agent = 大模型 + 工具调用 + 自主决策能力
80%已验证AI Agent具备工具调用（Tool Use）和规划推理（Planning & Reasoning）两大核心能力，能将复杂目标自动分解为可执行的子任务序列
80%已验证通过MCP协议，Cursor中的AI可以直接调用代理IP管理接口、读取项目配置文件等外部服务
80%