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
采用human-in-the-loop(人在回路)协作模式引入人类检查点,可避免纯自动化生成中错误累积的"幻觉级联",形成生成-审核-修正-继续的迭代循环
沙箱(Sandbox)是一种将程序运行限制在隔离环境中的技术机制,核心思想是即使被隔离程序存在恶意行为也无法影响宿主系统和外部环境
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
时间轴 (近 90 天)
为 Agent 构建可治理上下文层的方向包括:统一语义层先行、上下文随查询传递、输出附带血缘、跨域问题强制对齐。
一个能访问企业全部数据但没有治理层的 Agent,其风险比一个能力弱但上下文干净的 Agent 更大。
语义层在口径变更时只需修改一处定义,所有下游消费者(包括 Agent)自动继承新口径。
语义层不仅提供正确的数字,还提供指标的元数据(如分子分母科目、过滤条件、适用时间范围),使 Agent 能引用权威定义。
记忆压缩的做法是:接近窗口上限时,Agent系统把早期多轮对话送进模型生成简要摘要,用摘要替换原始对话以腾出上下文空间。
在渗透测试这类高风险场景中,Agent更适合承担信息收集、模板化探测、结果整理等可控环节,关键判断与破坏性操作仍应由人把关。
学习AI需要掌握MCP的编写与调用、提示词的使用、Agent的利用及其实现能力边界。
跨场景部署Agent可以减少用户重复输入,并提升任务执行的连贯性与准确度。
权限管理是统一Agent跨产品部署时的关键工程问题。
上下文窗口的大小与质量直接决定Agent能否准确理解意图、串联任务。
还有 40 条时间轴事件
全部知识事实 (20)
采用human-in-the-loop(人在回路)协作模式引入人类检查点,可避免纯自动化生成中错误累积的"幻觉级联",形成生成-审核-修正-继续的迭代循环
90%已验证沙箱(Sandbox)是一种将程序运行限制在隔离环境中的技术机制,核心思想是即使被隔离程序存在恶意行为也无法影响宿主系统和外部环境
90%已验证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%已验证自主Agent基于ReAct(Reasoning + Acting)框架进行'感知-规划-行动-观察'循环,对初始上下文质量要求更高
90%已验证「感知-决策-行动」的循环是ReAct(Reasoning + Acting)范式的技术基础
90%已验证具身智能是指将智能系统嵌入具有物理实体的载体中,通过与环境的物理交互来感知、学习和决策
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
90%已验证语义层是位于原始数据存储和业务应用之间的抽象层,将技术化的数据库结构转换为业务友好的概念模型,定义业务指标的统一计算逻辑
85%已验证AI原生(AI-Native)产品以意图表达为中心,用户描述目标由工具负责找到执行路径,业界也称为对话优先(Conversation-First)架构
85%已验证Agent工作流的经典范式是规划层与执行层分离,规划层负责理解目标、分解任务、生成执行计划,执行层由专用工具或较小模型负责实际操作
85%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Agent行为链路本质上是概率性推理过程,相同输入可能产生不同的工具调用序列,这是Agent评估的难点
85%已验证绝大多数真正落地的Agent部署都很窄,只做一件事但做得很好,例如客服工单分类、文档信息抽取、针对特定代码库的代码审查
80%已验证智能体的延迟与成本随工具调用次数线性甚至超线性增长
80%