Agent 规划记忆工具分工

30 秒回答

1. 明确Agent四大核心组件（规划、记忆、工具、行动）及其功能
2. 能区分短期记忆与长期记忆
3. 理解ReAct等推理-行动循环机制
4. 说明工具调用的实现方式（Function Calling）

回答与解析

答案要点

• 明确Agent四大核心组件（规划、记忆、工具、行动）及其功能
• 能区分短期记忆与长期记忆
• 理解ReAct等推理-行动循环机制
• 说明工具调用的实现方式（Function Calling）
• 提及多Agent协作场景

AI Agent系统的核心架构可拆解为四大组件：

1. 规划模块（Planning）

• 将复杂任务拆解为可执行的子步骤
• 常用方案：CoT（思维链）、ReAct（推理+行动交替）、ToT（树状搜索）
• 关键能力：自我反思、错误修正、动态调整计划

2. 记忆模块（Memory）

3. 工具模块（Tools）

• 扩展LLM能力边界：计算器、搜索引擎、API调用、代码执行器等
• 核心机制：Function Calling，模型输出结构化JSON决定调用哪个工具
• 工具描述需包含：功能说明、参数Schema、返回值格式

4. 行动模块（Action）

• 执行规划结果，调用工具并获取反馈
• 形成观察→推理→行动的闭环循环
• 支持多轮迭代直到任务完成或达到终止条件

系统工作流程

用户输入 → 规划拆解 → 检索记忆 → 选择工具 → 执行行动 → 观察结果 → （循环或结束）

实际落地中，多Agent协作是进阶方向，通过角色分工（如规划Agent、执行Agent、反思Agent）提升复杂任务成功率。

口语版讲法(约4分钟)

• 一句话定位：Agent本质是让LLM从对话走向自主决策
• 四大组件：规划、记忆、工具、行动
• 边界划分：短期记忆与长期记忆，单Agent与多Agent
• 业务场景与风险：客服退款场景，工具调用失败与幻觉
• 工程师取舍：我更看重规划与工具的闭环，多Agent是进阶

这道题其实是在问，当我们说一个系统是AI Agent时，它到底比普通聊天机器人多了什么。我的理解是，Agent的核心是把大模型从被动的问答角色，变成了一个能主动拆解目标、调用外部资源、并自我纠错的决策执行体。它的架构我一般拆成四个组件：规划、记忆、工具、行动，但真正落地时这四个不是孤立的，而是通过一个循环串起来的。

先说规划。规划模块负责把用户的一个模糊目标，比如“帮我处理一笔退款”，拆成可执行的子步骤。常见做法有Chain-of-Thought，就是让模型一步步想；还有ReAct，推理和行动交替进行，每走一步看结果再决定下一步。这里有个边界要划清：CoT适合纯推理任务，比如数学题；但一旦涉及外部操作，比如查订单、调API，ReAct更靠谱，因为它每步都能观察反馈。实际落地时，我通常把两者结合，先CoT做整体规划，再ReAct执行每一步，这样既保证逻辑连贯，又允许动态调整。

然后是记忆。记忆分两种：短期记忆就是当前对话的上下文，靠System Prompt和多轮历史维护；长期记忆是跨会话的知识积累，比如用户的历史偏好或者企业政策，我一般用Vector Database加RAG来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，我倾向于 混合记忆，短期靠Prompt，长期按类型选存储，而不是一刀切用向量库。

工具模块是Agent能力的放大器。大模型本身不会算数、不会查库存，所以通过Function Calling让模型输出结构化JSON来调用外部工具，比如计算器、搜索引擎、API。这里的关键是工具描述要写清楚：功能说明、参数Schema、返回值格式。我踩过一个坑：工具描述太模糊，模型会瞎调用，比如用户问“订单状态”，它去调了退款API。所以上线前我会特别关注 工具描述的精准度，并且加一层校验，防止模型幻觉导致错误调用。

行动模块就是执行规划的每一步，调用工具、拿回结果，然后形成“观察→推理→行动”的循环。这个循环不是一次性的，而是多轮迭代，直到任务完成或达到终止条件。比如客服退款场景：用户说“我买的东西没收到”，Agent先规划出查物流、查订单、判断责任、执行退款四步；然后第一步调物流API，发现显示已签收，那就需要推理矛盾，再调订单详情确认地址，最后决定是否升级人工。这个过程中，如果某步失败，比如API超时，Agent要能自我反思，重新规划或报错，而不是卡死。

讲到这，其实有个延伸点值得提：多Agent协作。单Agent在复杂任务里容易出幻觉或者规划死循环，所以业界开始用角色分工，比如一个规划Agent拆任务，一个执行Agent调工具，一个反思Agent检查结果。但多Agent的通信开销和一致性控制是新的挑战，不是所有场景都适合。我目前更倾向于在单Agent内把规划和工具闭环做扎实，再考虑多Agent，因为很多失败其实是基础组件没做好。

所以我的总结是：Agent不是简单的组件堆叠，而是 规划-记忆-工具-行动 的闭环设计。我会把重点放在规划与工具的闭环上，因为这是Agent区别于聊天机器人的本质。记忆和行动更多是支撑，但做不好同样会崩。真要上线，我会先确保工具调用的准确率，再优化规划的灵活性，否则空有规划但执行不了，就是画饼。

关键一句:多Agent协作是进阶方向，但单Agent闭环没做好时不要盲目上多Agent，否则通信和一致性问题会放大失败。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你在做一个智能客服Agent，用户问“帮我查订单”，Agent需要先查数据库再回复。你觉得这个Agent系统里应该包含哪些核心模块？每个负责什么？

2. 问法 2 · 层层追问

   如果要做一个能自主完成任务的AI Agent，你觉得它需要具备哪些能力？……那这些能力怎么拆成具体的组件？……比如它得能记住之前聊了什么，这个记忆怎么实现？

3. 问法 3 · 直球架构

   请描述一个AI Agent系统的核心组件，包括规划、记忆、工具、行动，并分别说明它们的功能和典型实现方式。