AI Agent 全景：从 LLM 到自主智能程序统的层深度实践

背景与问题定义：为什么“大模型 + Agent”不是噱头

大模型具备“世界知识”与“推理”能力，但本身无状态、无行动、无目标。按理说，Agent 程序通过

1. 规划
2. 记忆
3. 工具
4. 行动 把 LLM 升级为“目标驱动的自主智能体”。年 月，OpenAI 发布“Agent Eval”白皮书。指出带记忆与工具的 Agent 任务完成率比纯 LLM 提高 %。理解并落地 AI Agent 已成为算法与后端工程师的“必修课”。

技术栈总览这方面。层能力模型与开源地图

ReAct 原理

ReAct = Reason + Act，用“思考→行动→观察”循环把 LLM 推理与外部 API 交织在一起。

最小可运行代码

环境这方面，Python，OpenAI SDK +

# agent.py
import openai,json,os
from typing import List,Dict
openai.api_key = os.getenv
class ReActAgent:
def __init__:
self.tools = {t: t for t in tools}
self.max_step = max_step
self.history =
def _prompt -> str:
tool_desc = "
".join])
return (
"Answer following question using ReAct paradigm.
"
f"Tools available:
{tool_desc}
"
"Respond in format:
"
"Thought: ...
说到Action，tool_name
Observation: ...
"
"Repeat until you have answer. Final Answer: ...
"
f"Question: {query}"
)
def _parse:
thought = re.search
",text,re.S)
action = re.search\\)",text)
return if thought else None。action.group) if action else )
def run -> str:
prompt = self._prompt
for _ in range:
msg =
resp = openai.ChatCompletion.create(
model="gpt-4",messages=msg,temperature=0
)
text = resp.choices.message.content
self.history.append
thought,= self._parse
if not tool_name:
return re.search",text).group
if tool_name in self.tools:
try这方面，arg_dict = json.loads
observation = self.tools
except Exception as e:
observation = str
prompt += f"
Observation: {observation}
"
return "Max step reached"
# 工具示例：查询天气 & 计算器
def get_wear -> str:
return f"{city} is sunny."
def calc -> float:
ops = {"+": a+b,"-": a-b,"*": a*b,"/": a/b}
return ops
if __name__ == "__main__":
tools =
agent = ReActAgent
print)
再看输出，ini
Final Answer: Beijing is sunny and * =

使用者痛点的观点是，在实际部署时往往需要自行实现工具函数，并保证它们的安全性和可靠性；缺乏统一调度机制导致工具调用频繁失败。

Part‑ 长期记忆：向量库 + 记忆摘要双通道实现

记忆分类


工作记忆的观点是，最近 k 轮对话。不过，

说到长期记忆。使用者特点、任务历史，用向量检索。


代码实战 

至于依赖，chromadb 、sentence-transformers。




import chromadb
import uuid
from sentence_transformers import SentenceTransformer

class Memory:
def init:
self.emb = SentenceTransformer
self.chroma = chromadb.Client
self.collection= self.chroma.create_collection

def add:
docid=str)
embeddings=
documents=
metadatas=
ids=


self.collection.add(
embeddings=embeddings。documents=documents,metadatas=metadatas,ids=ids)

def search->List:
emb=self.emb.encode.tolist
res=self.collection.query
return res
将 Memory 嵌入 ReActAgent：

python
def run_with_memory->str:
hist=self.memory.search+
prompt=self._prompt+"
Relevant memory:
"+'
'.join+'
'
...


痛点一的观点是，向量检索速度慢，尤其在海量知识库中需要调整索引和硬件加速；痛点二：如何保证隐私，防止敏感数据泄露。

Part‑ 工具调用：Function Calling 与+ 工具环境 

OpenAI Function Calling 原生模式 

202X 年 OpenAI 把并发工具数上限提高到 X 个。并支持 async，可明显提高多任务并行效率。


Composio：一键接入 GitHub、Notion、Slack 

# composio_example.py
from composio import Action。ComposioToolSet

# autogen_groupchat.py
from autogen import AssistantAgent,UserProxyAgent,GroupChat。
GroupChatManager

# rlHF_demo.py
from transformers import AutoTokenizer,AutoModelForCausalLM
from trl import PPOTrainer。PPOConfig