AI Agent核心原理

学习目标

完成本节学习后，学员将能够：

• 准确理解 AI Agent 的定义、核心特征与演化路径
• 清晰区分 Agent、传统 RPA 和 ChatBot 的本质差异
• 深入掌握 感知-决策-行动-反馈（PDCA）循环机制的运行逻辑
• 理解主流 Agent 架构模式的设计思想及其适用场景

一、什么是 AI Agent？

1.1 定义：智能体 ≠ 聊天机器人

AI Agent（人工智能代理） 是一个具备自主性、反应性、目标导向性和环境交互能力的软件实体。它能通过"感知 → 决策 → 行动 → 反馈"闭环，在动态环境中持续执行复杂任务，以达成预设目标。

关键词解析：

类比说明：你可以把 AI Agent 想象成一位"数字员工"，不仅能听懂你的指令，还能自己查资料、写报告、发邮件、做数据分析——而不仅仅是一个会说话的客服机器人。

1.2 发展历程：从规则系统到大模型驱动

二、Agent vs RPA vs ChatBot：三者的本质区别

我们从五个维度进行对比分析：

场景举例：学生问"帮我批改这张作业"

结论：

• ChatBot = 会说话的界面
• RPA = 数字流水线工人
• AI Agent = 具备思考能力的任务经理

三、感知-决策-行动-反馈（PDCA）循环机制深度剖析

这是所有智能体的核心运行框架，也是构建可靠 Agent 系统的理论基石。

    +------------------+
    |                  |
    |     感知         | ←--- 用户输入 / 环境信号
    |  (Perception)    |
    +--------+---------+
             |
             v
    +--------v---------+
    |                  |
    |     决策         | ←--- LLM推理 + 工具选择
    |   (Decision)     |
    +--------+---------+
             |
             v
    +--------v---------+
    |                  |
    |     行动         | ←--- 调用工具（如OCR、数据库查询）
    |   (Action)       |
    +--------+---------+
             |
             v
    +--------v---------+
    |                  |
    |     反馈         | ←--- 获取执行结果 + 用户评价
    |   (Feedback)     |
    +--------+---------+
             |
             +----------→ 更新上下文 & 记忆 → 下一轮循环

3.1 感知模块（Perception）

负责接收并解析用户的原始输入，可能包括：

• 文本指令（“帮我分析这道错题”）
• 图像文件（手写作业照片）
• 语音录音（口述问题）
• 上下文历史（之前的对话记录）

处理要点：

• 输入归一化：统一转为文本描述
• 上下文注入：结合会话历史增强理解
• 多模态融合：图文联合编码（后续章节详述）

示例：当学生上传一张数学题截图时，Agent 需先将其转换为如下提示词上下文：

用户上传了一张包含以下内容的手写图片：
"已知 sin(α) = 3/5，且 α ∈ (π/2, π)，求 cos(α) 的值。"
请判断是否为错题，并提供讲解。

3.2 决策模块（Decision）

这是 Agent 的"大脑"，由 LLM 驱动，负责回答两个关键问题：

1. 当前任务是什么？
2. 应该调用哪个工具来解决它？

决策过程示例：

用户请求："帮我看看这道题做对了吗？"
→ 感知到这是一个"作业批改"任务
→ 决策：需要先识别图像中的文字 → 应调用 OCR 工具
→ 输出：{"tool": "ocr_service", "args": {"image_path": "/uploads/xxx.jpg"}}

核心技术支撑：Function Calling（将在下一节深入讲解）。LLM 不再直接输出答案，而是输出一个结构化的"工具调用请求"。

3.3 行动模块（Action）

根据决策结果，实际执行工具调用，例如：

• 调用 ocr_service 提取图像文本
• 查询 knowledge_db 获取知识点解释
• 发送消息 via push_service

注意事项：

• 工具调用必须封装为可复用的服务接口
• 需要处理超时、失败、降级等异常情况
• 返回结果应标准化（JSON 格式）

3.4 反馈模块（Feedback）

收集行动结果，并评估是否达成目标：

• 成功：继续下一步或结束任务
• 失败：尝试重试、切换工具或向用户求助
• 不确定：主动追问澄清需求

高级形态还包括：

• 自我反思（Self-Reflection）：检查上一步是否有误
• 用户反馈整合：如"这个解释我不太懂" → 触发更详细的讲解

正是这一环的存在，使得 Agent 具备了"持续优化"的能力，形成了真正的智能闭环。

四、当前主流 Agent 架构模式对比

不同的任务复杂度需要不同的架构设计。以下是四种典型模式：

4.1 ReAct 模式：推理 → 行动 → 观察 → 再推理

格式化提示词模板（Prompt Pattern）：

Thought: 我需要查找三角函数公式
Action: search_knowledge_base
Observation: sin²α + cos²α = 1
Thought: 现在我可以用这个公式计算...

优点：

• 实时性强，边想边做
• 适合开放域问答、信息检索类任务

缺点：

• 易陷入无限循环
• 难以处理长流程任务

在 EduMentor 中的应用：用于智能答疑 Agent，当学生提问较难问题时，Agent 可多次调用知识库检索服务，逐步逼近正确答案。

4.2 Plan-and-Execute 模式：先规划，再执行

分两阶段：

1. Planning Phase：LLM 输出一个任务列表（To-Do List）
2. Execution Phase：依次执行每个子任务

示例：生成个性化复习计划

{
  "plan": [
    {"step": 1, "task": "获取学生最近一周错题"},
    {"step": 2, "task": "统计薄弱知识点"},
    {"step": 3, "task": "生成专项练习题"},
    {"step": 4, "task": "安排推送时间"}
  ]
}

优点：

• 流程清晰，易于调试
• 支持中断恢复
• 更容易保证最终目标达成

缺点：

• 规划可能不准确
• 若中间步骤失败，需重新规划

在 EduMentor 中的应用：适用于练习生成 Agent 或错题分析 Agent，确保整个辅导流程有序可控。

4.3 Reflection 模式：执行 → 反思 → 修正

Agent 在每次行动后都会停下来"自省"：

• “我的回答够清楚吗？”
• “有没有遗漏关键点？”
• “用户可能会误解哪里？”

典型实现方式：

• Critic Model：引入第二个模型专门做评审
• Self-Evaluation Prompt：让同一个模型评估自己的输出质量

例如：

第一次反馈："你算错了。"
反思后改进："你在第三步应用诱导公式时符号出错，因为α在第二象限，cos应为负值。"

在 EduMentor 中的应用：用于主观题批改和个性化反馈生成，提升教育内容的专业性和可接受度。

4.4 Graph-Based 模式：基于状态图的流程控制

使用**有向图（Directed Graph）**来显式定义 Agent 的状态转移逻辑，每个节点是一个操作或决策点，边表示跳转条件。

技术实现：LangGraph（LangChain 子项目）

优势：

• 可视化流程，便于团队协作
• 支持并发、循环、条件分支
• 易于添加异常处理路径

在 EduMentor 中的应用：作为主控 Agent（Orchestrator）的底层架构，协调多个专业 Agent 协同工作。

收到上传图片
    │
    ▼
是作业吗? ─── 否 ──→ 调用答疑Agent
    │
   是
    ▼
调用OCR
    │
    ▼
批改Agent评分
    │
    ▼
错题分析Agent诊断
    │
    ▼
生成专项练习
    │
    ▼
推送服务发送

五、本节小结