Основные компоненты AI-агента

Если сравнить AI-агента сумным рестораном, как он превращает ваши потребности в подаваемые вам блюда? Это зависит от его четырёх основных компонентов:Мозг, Инструменты, Память и Планирование。

• Мозг:Он отвечает за понимание заказов, определение целей и выбор последовательности; это командный центр ресторана.
• Инструменты:Он отвечает за практическое выполнение, включая нарезку и подготовку, приготовление, закупки и другие действия, превращая решения в исполняемые операции.
• Память:Она отвечает за запись предпочтений клиентов, текущих шагов и обработанного содержимого, гарантируя, что процесс не будет хаотичным или повторяющимся.
• Планирование:Оно отвечает за разбиение всего блюда на шаги, определение порядка и обеспечение продвижения задач по процессу до завершения.

Общая архитектура

На следующем рисунке показаны пять слоёв компонентов AI-агента и их взаимодействие. Слой восприятия получает внешний ввод, мозг отвечает за понимание и принятие решений, слой планирования декомпозирует задачи, слой инструментов отвечает за выполнение, а слой памяти проходит через всё, обеспечивая поддержку состояния на всех этапах.

0. Слой восприятия (Perception) — Ресепшн ресторана

Роль: отвечает за приём клиентов и понимание всех входных данных из внешнего мира.

Прежде чем действовать, агент должен сначала «увидеть» и «услышать» внешнюю информацию. Современные агенты больше не ограничиваются чистым текстовым вводом; у них есть способность кмультимодальному восприятию:

• Текстовый ввод: инструкции пользователя на естественном языке, содержимое документов и код.
• Изображения / Видео: скриншоты, макеты дизайна и диаграммы; агент может напрямую «смотреть на картинки», чтобы понимать.
• Структурированные данные: таблицы, JSON, результаты запросов к базе данных.
• Состояние среды: В агентах для работы с компьютером — текущее состояние экрана, структура DOM веб-страницы и т. д.
• Результаты возврата инструмента: вывод предыдущего вызова инструмента служит новым входом восприятия для следующего цикла.

Входные данные слоя восприятия объединяются, формируя «текущий контекст» агента, который отправляется в мозг для понимания и принятия решений.

1. Мозг — то есть Большая модель

Роль:Шеф-повар и управляющий ресторана。

Это самая главная часть агента (например, GPT-4, Claude, DeepSeek, Qwen).

• Он отвечает запониманиетого, что вы хотите съесть (понимание намерения).
• Он отвечает зауправлениеработой других (принятие решений).
• Без него весь ресторан был бы парализован.

Три главные вещи, которые делает мозг

2. Инструменты — оборудование на кухне

Роль：Посуда и помощники。

Одного шеф-повара (мозга) недостаточно; также нужны кастрюли и сковороды, чтобы готовить. Для AI-агентов инструменты — это исполнительные единицы, которые превращают решения в реальные действия.

Инструменты можно разделить на четыре категории по назначению:

Примеры распространённых инструментов:

• Онлайн-поиск Поиск информации(Как поход на рынок за свежими продуктами)
• Интерпретатор кода. Вычисления и выполнение(как точная печь, выполняющая сложные вычисления)
• Инструмент для рисования Сгенерированный контент(Как художник по оформлению блюд, отвечающий за эстетику)
• API-интерфейс Взаимодействие с системами(Как курьер доставки, связывающий с внешним миром)

3. Память — книга записей клиентов

Роль：Память официанта。

Вам наверняка не нравится каждый раз повторять в ресторане: я не ем кинзу!

Память агента делится на следующие типы:

• Краткосрочная память (In-Context Memory): контекстное окно текущего разговора. Она помнит, что вы только что сказали (например, если вы только что заказали рыбу, а следующая фраза — «слабо острая», она понимает, что это относится к рыбе). Ограничена длиной контекста модели, обычно от 8K до 200K токенов.
• Долговременная память (внешняя память): запоминать ваши долговременные предпочтения (например, вы вегетарианец или ваш домашний адрес). Обычно черезвекторную базу данных(например, Pinecone, Milvus, Chroma) для постоянного хранения.
• Эпизодическая память: запись процесса выполнения исторических задач, включая «как я справлялся с этой ситуацией в прошлый раз», помогающая Агенту учиться на прошлом опыте.
• Семантическая память: абстрактные знания и факты, обычно из контента, уже усвоенного на этапе предварительного обучения, а также может динамически дополняться через RAG (генерация с дополнением на основе поиска).

RAG: предоставление агентам «внешней базы знаний»

Генерация с дополнением на основе поиска (RAG)— в настоящее время самое распространённое решение для реализации долговременной памяти. Её основной процесс выглядит следующим образом:

4. Планирование — схема приготовления

Роль：Стандартная операционная процедура (SOP) подачи блюд на кухне。

Когда вы заказываете «Будда прыгает через стену», шеф-повар не импровизирует; вместо этого он составляет в уме контрольный список:

1. Сначала подготовить ингредиенты (морское ушко, трепанг...)
2. Затем томить бульон
3. Наконец, готовить на медленном огне

То же самое касается Агента. Когда вы даёте ему сложную задачу (например, «написать отчёт о конкурентном анализе»), он разбивает её самостоятельно:

• Шаг 1: Собрать информацию о конкурентах A, B и C.
• Шаг 2: Сравнить их цены и характеристики.
• Шаг 3: Записать результаты сравнения в статью.
• Шаг 4: Проверить на опечатки.

Основные стратегии планирования

Стратегии планирования определяют, как Агент «думает», а затем «действует»; разные стратегии различаются глубиной рассуждений и применимыми сценариями:

5. Цикл выполнения Агента (Agent Loop)

Вышеперечисленные компоненты не существуют изолированно; они образуют непрерывно повторяющийсяВосприятие—Мышление—Действие—Наблюдениезамкнутый цикл, который и есть "Agent Loop". Агент непрерывно повторяет этот цикл, пока задача не будет выполнена или не будет достигнуто условие завершения.

Этот цикл даёт Агенту способностьсамоисправляться при сбоеСпособность: если вызов инструмента на каком-либо шаге возвращает ошибку или неожиданный результат, этап "Наблюдение" передаёт эту информацию обратно в мозг, и мозг корректирует свою стратегию в следующем раунде "мышления".

Итог

Когда вы говорите Агенту:Пожалуйста, проверь завтрашнюю погоду в Пекине; если будет дождь, напиши напоминание и отправь его Сяо Вану.

Вот как Агент работает внутри:

1. Слой восприятия: Получает инструкцию на естественном языке и определяет ключевые сущности "Пекин", "завтра", "Сяо Ван".
2. Мозг: Слышит инструкцию и анализирует две условные задачи: проверить погоду, и если пойдёт дождь, то отправить напоминание.
3. Планирование: Сначала проверить погоду → определить, будет ли дождь → (если да) написать напоминание → отправить.
4. Инструмент: Вызывает «инструмент запроса погоды» и получает результат — завтра будет дождь.
5. Память: Обращается к контактам (банк памяти), чтобы найти контактную информацию Сяо Вана.
6. Инструмент: Вызывает «инструмент отправки сообщений», чтобы отправить напоминание.
7. Наблюдение: Подтверждает, что сообщение успешно отправлено, задача выполнена, и цикл завершается.

Схема процесса выполнения:

Краткий обзор пяти основных компонентов