AI Agent 系统
"AI 的未来不仅仅是对话——更是行动。"
AI Agent 代表了从被动聊天机器人到自主系统的进化，能够推理、规划、使用工具并完成复杂的多步骤任务。本章涵盖从基础概念到生产部署的全部内容。
什么是 AI Agent？
| 组件 | 描述 | 示例 |
|---|---|---|
| Model（模型/大脑） | 核心推理和决策引擎 | GPT-4, Claude 3.5, Llama 3 |
| Prompt（指令） | 系统行为和任务引导 | "你是一个有用的研究助手..." |
| Memory（记忆） | 上下文、历史和知识检索 | 对话历史、RAG、向量数据库 |
| Tools（工具） | 与世界交互的能力 | API、数据库、代码执行 |
| Planning（规划） | 将复杂任务分解为步骤 | "搜索 → 分析 → 编写 → 审查" |
核心公式
Agent = Model（大脑）+ Prompt（指令）+ Memory（RAG/上下文）
+ Tools（MCP）+ Planning（架构）
为什么 Agent 如此重要
| 传统 LLM | AI Agent |
|---|---|
| 被动——仅生成文本 | 主动——在世界中采取行动 |
| 单次——单次响应 | 多步——规划和执行工作流 |
| 有限——仅有训练知识 | 扩展——通过工具获取实时数据 |
| 静态——无状态持久化 | 有状态——记忆和学习 |
从聊天机器人到 Agent
Agent 光谱
被动对话 → 工具使用 → 任务规划 → 多 Agent → 自主
↓ ↓ ↓ ↓ ↓
仅问答 函数调用 工作流 协作 自驱动
Agent 架构概览
章节路线图
本章结构带你从基础到生产就绪系统：
1. 核心概念 - 基础
- 什么构成了"Agent"？
- 从聊天机器人到自主系统的演进
- 核心能力：感知、推理、行动、反思
- 何时使用 Agent vs 传统自动化
2. 架构 - 构建模块
- Agent 循环：观察 → 推理 → 行动 → 观察
- 记忆系统：缓冲、摘要、向量、实体、情景
- 工具系统：MCP v2、函数调用、错误处理
- 规划：任务分解、重规划、目标导向
3. 设计模式 - 经过验证的解决方案
- 单 Agent 模式：ReAct、反思、自一致性
- 多 Agent 模式：监督者、层级式、辩论
- 路由模式：查询分类和路由
- 高级模式：Plan-and-Execute、LATS
4. 框架与 SDK - 技术栈
- 官方 SDK：OpenAI Agents SDK、Google ADK、Claude Agent SDK
- 框架对比：LangChain、LangGraph、Semantic Kernel、AutoGen
- Spring AI：用 Java 构建生产级 Agent
- 开发者工具：LangSmith、Arize Phoenix、PromptLayer
5. 编程 Agent - 软件工程 Agent
- Claude Code：CLI 编程 Agent（Anthropic）
- Devin：自主 AI 软件工程师（Cognition）
- AI IDE：Cursor、Windsurf、Augment
- 开源方案：OpenHands、SWE-Agent
- 基准评测：SWE-bench、SWE-bench Verified
6. Computer Use 与 GUI Agent - 屏幕交互
- Claude Computer Use：Anthropic 屏幕交互 Agent
- OpenAI Operator：网页浏览 Agent
- GUI Agent 架构：截图 → 无障碍树 → 动作
- 安全与沙箱：隔离执行环境
7. 多 Agent 与 A2A - Agent 协作
- A2A 协议：Google Agent-to-Agent（2025）
- AG-UI 协议：Agent-用户交互标准
- Agent 社会：自组织多 Agent 系统
- W3C ANP：Agent 网络协议标准化
8. 评估与基准 - 性能度量
- SWE-bench：软件工程基准
- WebArena / OSWorld：GUI 和 OS 交互基准
- GAIA / AgentBench：通用 Agent 评估
- LLM-as-a-Judge：自动化质量评估
9. 工程化 - 生产就绪
- 评估：指标、测试框架
- 挑战：幻觉、无限循环、成本控制
- 安全：Prompt 注入防御、访问控制、HITL
- 部署：Docker、可观测性、A/B 测试
10. 前沿 - 未来趋势
- Agent 经济：Agent 原生应用
- 自进化 Agent：长期学习与适应
- 新兴方向：具身 Agent、Agent 市场
- 挑战与机遇：未来之路
快速入门模式
模式一：ReAct Agent（推理 + 行动）
Question: 日本最大城市的人口是多少？
Thought: 我需要先找到日本最大的城市
Action: Search("日本最大城市")
Observation: 东京是最大的城市
Thought: 现在我需要东京的人口
Action: Search("东京人口 2024")
Observation: 约 1400 万
Thought: 我已获得所有所需信息
Answer: 东京是日本最大的城市，约有 1400 万人口。
模式二：监督者多 Agent
用户请求 → 监督者 Agent
↓
┌───────────┼───────────┐
↓ ↓ ↓
研究员 编写者 审核者
↓ ↓ ↓
└───────────┴───────────┘
↓
监督者
↓
最终输出
关键技术
| 技术 | 角色 | 集成方式 |
|---|---|---|
| Spring AI | Java Agent 框架 | spring-ai-openai-spring-boot-starter |
| MCP | 标准化工具协议 | Model Context Protocol 服务器 |
| Vector DB | 语义记忆 | Pinecone, Weaviate, pgvector |
| LangGraph | 多 Agent 工作流 | 有状态 Agent 编排 |
| LangSmith | 调试和追踪 | Agent 可观测性 |
何时使用 Agent
✅ 适用场景
- 研究与分析师：多步骤信息收集与综合
- 内容创作：带有研究、审核和修订周期的写作
- 代码任务：调试、重构、文档生成
- 数据操作：ETL 工作流、数据分析、报告
- 客户服务：需要多个系统的复杂查询
❌ 不适用场景
- 简单 CRUD：传统 API 更快更便宜
- 可预测的工作流：硬编码逻辑更可靠
- 实时要求：LLM 延迟太高
- 严格确定性：Agent 本质上是非确定性的
- 成本敏感：高 token 用量 vs 简单脚本
前置条件
在深入学习 Agent 之前，请确保你已掌握：
-
LLM 基础（模块 01）
- 分词、Embeddings、推理
- 模型能力和限制
-
Prompt Engineering（模块 02）
- 系统 Prompt、Few-shot 学习
- 结构化输出、推理模式
-
RAG（模块 03）
- 向量数据库、检索策略
- 上下文管理
-
MCP（模块 05）
- 工具协议、服务器实现
- 资源、工具和 Prompt
学习路径
Java/Spring Boot 开发者
路径：01 → 02 → 04（Spring AI 重点）→ 05
专注于生产级 Spring Boot Agent 与 MCP 集成。
AI 工程师
路径：01 → 02 → 03（设计模式）→ 05 → 06
专注于多 Agent 系统和高级模式。
全栈开发者
路径：01 → 02 → 04（框架对比）→ 05
专注于 Next.js 前端 + Spring Boot 后端集成。
常见挑战
| 挑战 | 解决方案 | 涵盖章节 |
|---|---|---|
| 幻觉 | RAG + 验证 | 架构、工程化 |
| 无限循环 | 最大迭代次数 + HITL | 架构 |
| 高成本 | 缓存 + 小模型 | 工程化 |
| 可靠性差 | 反思 + 自检 | 设计模式 |
| 安全风险 | Prompt 注入防御 | 工程化 |
| 调试困难 | 追踪 + 可观测性 | 框架、工程化 |
生产清单
部署 Agent 到生产环境之前：
- 已定义明确的成功/失败标准
- 全面的错误处理
- 敏感操作需要人工介入（HITL）
- 速率限制和成本控制
- 审计日志已启用
- 监控和告警已配置
- 安全审查已完成
- 负载测试已执行
- A/B 测试框架就绪
- 回滚计划已记录
开始使用
Agent 新手？从 01 核心概念 开始，了解核心概念和从聊天机器人到自主系统的演进。
Spring Boot 开发者
使用最新 SDK 构建？跳转到 04 框架与 SDK 查看 OpenAI Agents SDK、Google ADK 和 Claude Agent SDK 指南。
生产就绪
部署 Agent 到生产环境需要仔细规划。请参阅 09 工程化 了解评估、安全和部署最佳实践。