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。
核心事实
时间轴 (近 90 天)
从零构建 Agent 能让开发者理解 ReAct 等推理范式的工作原理
LangChain、LlamaIndex 等框架降低了构建 RAG 和 Agent 应用的门槛
AI Engineer Notebooks 覆盖了 RAG、Agent 以及评估（Evals）三大核心主题
Harness + LLM = Agent（智能体）
模型直觉包括判断任务是否需要 RAG、Agent 多步推理或微调等技术路径的选择能力
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）
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
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
还有 30 条时间轴事件
全部知识事实 (20)
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%已验证Agent 的核心架构通常由「感知-推理-行动」循环构成
70%已验证基于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%已验证智能体（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%已验证工具调用（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%已验证Harness Engineering的核心公式为：Harness（驾驭规范）+ LLM（大语言模型）= Agent（智能体）
65%待验证Workflow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%待验证Agent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%待验证2024-2025年AI从Copilot模式向Agent模式转变的趋势正在加速
80%待验证LLM语境下的Agent通常具备感知、规划、行动和记忆四个核心组件
60%待验证Google用Agent重塑了搜索引擎
60%待验证将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%待验证从零构建 Agent 能让开发者理解 ReAct 等推理范式的工作原理
50%待验证AI Engineer Notebooks 覆盖了 RAG、Agent 以及评估（Evals）三大核心主题
50%待验证LangChain、LlamaIndex 等框架降低了构建 RAG 和 Agent 应用的门槛
50%待验证Harness + LLM = Agent（智能体）
50%待验证模型直觉包括判断任务是否需要 RAG、Agent 多步推理或微调等技术路径的选择能力
50%待验证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%待验证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%待验证解决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%