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
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
时间轴 (近 90 天)
同步工具调用是 Agent 延迟的最大瓶颈：多个无依赖工具串行执行时，总延迟等于各工具延迟之和。
绝不能把自主Agent直接跑在裸机OS上；应使用Docker Sandboxes等工具秒级启动轻量微虚拟机作为隔离运行环境，即使Agent删光沙盒内容也不影响个人文件。
状态文件由它们本应约束的 Agent 自己写入，因此检查点可以被 Agent 伪造，三文件模式应被视为召回保险而非真相保险。
普通GenAI应用只和LM通信一次，而Agent应用通常要通信两次：第一次调用解决「做什么」，第二次调用解决「怎么说」。
配合 LangChain、MCP、Agent 等生态工具，Ollama 本地模型可承担完整的应用链路，用于搭建私有领域智能问答机器人，实现数据不出本地。
在 Agent 场景下，按用量计费比传统 SaaS 订阅更复杂：一次任务可能涉及多次模型调用、工具调用与重试，成本随任务复杂度非线性变化。
沙箱限定了 Agent 可以执行代码和访问资源的环境边界，使失败可以被隔离与回滚，而不至于波及生产系统。
厂商 Factory 提出主张：与其在现有开发环境中增加助手，不如把完整的工程任务委托给 Agent 执行。
B站UP主波哥发布了一套面向Java程序员的AI大模型应用开发系列课程，主打零基础入门，覆盖大模型基础知识、RAG、LangChain、Spring AI、Agent开发等内容，并包含vibecoding项目实践。
在企业级Agent落地中，缓存策略往往与上下文长度管理、模型路由一起被纳入架构设计。
还有 40 条时间轴事件
全部知识事实 (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%已验证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
90%已验证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
90%已验证一个复杂的Agent任务可能需要数十次甚至上百次模型调用
90%已验证2023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%已验证LangGraph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%已验证Agent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%已验证一个典型的Agent由'感知—规划—行动—反思'的循环构成
85%已验证AI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%已验证Agent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%已验证DeepSeek 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%已验证代码执行型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%已验证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%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MCP（Model Context Protocol）是Anthropic提出的开放协议，旨在标准化大模型与外部工具、数据源之间的交互方式
80%已验证LangGraph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%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Agent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%已验证AI Agent基于ReAct（Reasoning + Acting）等框架，能够将复杂任务分解为多个子步骤，自主决定何时调用外部工具
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%