01 · Agent 是什么？它如何工作？ - Fundamentals
所属知识库：Agent 全栈技术地图
所属领域：02 · Agent
所属章节：01 · Agent 是什么？它如何工作？ - Fundamentals
文档类型：章节导读
版本：v1.1
更新日期：2026 年 10 月 28 日
核心问题：什么是 Agent，它与 AI 模型、普通 AI 应用和自动化工作流有什么本质区别？Agent 的组成、能力与执行机制之间存在怎样的关系？如何从技术原理出发理解不同 Agent 架构的形成、设计选择与运行生命周期，并建立面向实际工程开发的基础认知？
章节导读
本章是《Agent 全栈技术地图》中 Agent 领域的基础研究章节，主要研究 Agent 的定义、组成、核心能力、执行机制、类型、设计方法与生命周期。
在前面的 AI 领域中，我们已经研究了人工智能的基本概念、模型架构、模型推断、模型工程以及知识与检索技术。这些技术使 AI 系统能够理解自然语言、处理信息、生成内容，并通过外部接口获取知识或执行操作。
但当一个系统需要围绕任务目标持续工作时，仅有模型的生成能力并不足以解释整个执行过程。
例如，大语言模型可以生成研究计划，也可以输出工具调用请求。但要真正完成一项多步骤研究任务，系统还需要组织当前信息、选择行动、调用工具、处理结果、更新任务状态，并根据反馈判断下一步应该做什么。
Agent 的研究正是从这里展开。
在现代大语言模型应用中，Agent 通常被理解为一种能够围绕任务目标，依据当前状态和环境反馈，在一定约束条件下选择并执行行动的计算系统。
不过，Agent 并不是一种具有唯一实现形式的软件架构。不同 Agent 可以采用不同的决策机制、控制方式和自主程度。一个简单 Agent 可能只包含模型、少量工具和基本执行循环；一个复杂 Agent 则可能结合任务规划、外部知识、持久化状态、长期记忆和人工审批等机制。
因此，理解 Agent 不能仅停留在“大语言模型加工具”的组合描述，也不能仅通过是否具有自主性来判断。
我们需要进一步研究：什么样的系统可以被视为 Agent，它的行为由哪些部分支撑，能力如何形成，决策如何转化为行动，以及整个系统如何被设计、运行和管理。
本章将通过七个相互关联的专题建立这套基础认知。
与单纯介绍概念的入门章节不同，本章还将适度深入 Agent 的技术原理和工程机制。对于决定 Agent 行为的关键问题，例如行动选择、运行时控制、状态更新、架构选型和任务恢复，将结合数据结构、执行流程、代表性技术路线和工程实验进行分析。
本章的目标不是提前完成所有 Agent 技术的研究，而是建立一个足够准确、深入且能够支持后续工程学习的整体技术框架。
一、章节定位：从 AI 模型进入 Agent 系统
1.1 Agent 研究解决什么问题？
传统模型调用通常可以抽象为：
输入
│
▼
模型推断
│
▼
输出这是一种典型的输入—输出计算过程。
但在需要多步骤行动的任务中，模型输出可能只是一个中间决策，而不是最终结果。
例如，一个研究 Agent 在分析任务后，可能首先决定检索资料；读取资料后发现证据不足，又决定继续搜索；获得足够证据后，才开始组织研究结论。
这一过程可以抽象为：
任务目标
│
▼
观察当前状态
│
▼
形成行动决策
│
▼
执行行动
│
▼
获得环境反馈
│
▼
更新任务状态
│
├── 未满足终止条件 ──► 继续决策
│
└── 满足终止条件 ────► 输出结果这一过程体现了 Agent 研究的核心特征：系统不仅需要生成内容，还需要将信息处理、行动决策和环境交互组织成能够推进任务的执行过程。
但需要注意，循环结构本身并不是判断 Agent 的唯一条件。固定工作流也可能包含循环，模型也可能在单次调用中提出多个行动。
因此，Agent 的技术边界需要结合目标、决策机制、环境交互、控制权分配和反馈利用等多个因素共同分析。
1.2 Agent 与已有 AI 技术的关系
Agent 并不是完全独立于其他 AI 技术的新体系。
现代模型驱动型 Agent 通常建立在已有的模型、推断、提示词、结构化输出、工具调用和知识检索等技术基础之上。
例如：
- 大语言模型提供语言理解、推理与生成能力；
- Prompt 和 Instructions 为模型提供任务要求与行为约束；
- Context 为模型组织当前可用的信息；
- Function Calling 或结构化输出帮助模型表达行动意图；
- Tools 使系统能够与外部环境交互；
- Knowledge Retrieval 为任务提供外部信息；
- Runtime 负责将模型决策转化为实际执行，并维护任务状态。
这些技术各自解决不同的问题。
Agent 研究的重点，是理解它们如何围绕任务目标形成一个具有行动能力的系统。
因此，从 AI Model 进入 Agent，并不意味着模型本身发生了根本变化，而是研究对象从单次模型推断扩展到了包含决策、行动、状态和反馈的完整执行系统。
1.3 本章在 Agent 技术体系中的位置
《Agent 全栈技术地图》将 Agent 领域划分为三个章节。
| 章节 | 研究方向 | 核心问题 |
|---|---|---|
| 01 · Fundamentals | Agent 的基础概念与整体运行原理 | Agent 是什么？它如何工作？ |
| 02 · Internal Architecture | Agent 的内部能力与技术机制 | Agent 的能力由哪些部分构成？如何实现与协同？ |
| 03 · Development & Practice | Agent 的设计、开发与工程实践 | 如何构建、验证和改进一个 Agent？ |
三个章节形成由整体认知、内部机制到工程实现的研究路径。
01 · Fundamentals
理解 Agent 的定义、组成、能力、
执行机制、类型、设计与生命周期
│
▼
02 · Internal Architecture
深入研究模型、指令、上下文、记忆、
知识、工具、技能、规划与权限机制
│
▼
03 · Development & Practice
将技术机制组合为可运行、
可测试、可维护的 AgentFundamentals 并不意味着只研究概念。
对于理解 Agent 必不可少的关键机制，本章同样需要研究其技术原理和基本实现方式。
但本章更关注这些机制在 Agent 整体架构中的作用，以及它们如何共同形成 Agent 的行为。
Internal Architecture 则进一步深入各项能力的具体实现。
Development & Practice 最终将这些研究成果整合为完整的工程系统。
二、本章的核心研究框架
本章围绕七个基本问题展开。
| 编号 | 研究专题 | 核心问题 | 研究对象 |
|---|---|---|---|
| 01 | Definition & Boundaries | 什么是 Agent？ | 定义、判据、技术边界与自主性 |
| 02 | Core Components | Agent 由什么构成？ | 功能职责、软件组件与协作架构 |
| 03 | Core Capabilities | Agent 具备哪些核心能力？ | 能力形成、技术依赖与任务表现 |
| 04 | Execution Mechanism | Agent 如何思考和行动？ | 决策、行动、反馈与执行控制 |
| 05 | Agent Types | Agent 有哪些类型？ | 决策架构、控制模式与分类维度 |
| 06 | Agent Design | 如何设计一个 Agent？ | 任务契约、架构选型与控制权分配 |
| 07 | Agent Lifecycle | Agent 的生命周期是什么？ | 定义、发布、运行、恢复与迭代 |
这七个专题不是彼此独立的知识点，而是对同一个技术对象的逐层分析。
2.1 从定义到组成
首先需要确定 Agent 的研究对象和技术边界。
只有明确 Agent 与普通模型调用、固定工作流及其他自动化系统的关系，才能进一步分析一个 Agent 需要哪些功能职责和软件组件。
因此，Definition & Boundaries 是理解 Core Components 的前提。
2.2 从组成到能力
组成回答系统由什么构成，能力回答系统能够完成什么。
模型、工具和状态管理等组件本身并不直接等同于 Agent 的能力。
例如，系统拥有搜索工具，不代表它一定能够有效完成信息研究任务。实际能力还取决于任务理解、工具选择、结果处理和执行控制等多个环节是否能够协同工作。
因此，Core Capabilities 将进一步研究能力如何从组件协作中形成。
2.3 从能力到执行机制
Agent 具备某种能力，还需要通过具体的执行过程将其表现出来。
例如，工具使用能力需要经过行动选择、参数生成、权限校验、工具执行、结果处理和状态更新等步骤。
Execution Mechanism 将研究这些步骤如何形成完整的运行闭环。
2.4 从执行机制到架构类型
不同 Agent 可能使用不同的行动选择机制。
有些系统主要依靠预设规则，有些系统通过模型动态决策，还有些系统采用规划器、状态机或混合控制架构。
这些机制差异形成了不同的 Agent 类型。
Agent Types 将研究不同架构的技术原理、适用条件和工程取舍。
2.5 从类型到设计
理解不同架构之后，需要进一步研究如何根据实际任务选择合适的方案。
Agent Design 将从任务需求出发，研究何时应该使用 Agent、何时应该采用固定工作流，以及如何确定模型、工具、状态、权限和控制机制的组合方式。
2.6 从设计到生命周期
Agent 的设计完成后，还需要经历构建、验证、发布、运行、暂停、恢复、终止和迭代。
Agent Lifecycle 将进一步研究 Agent 在不同时间尺度下的状态变化，以及定义、版本、实例和任务执行之间的关系。
由此，七个专题形成一条完整的研究路径：
Definition & Boundaries
确定研究对象
│
▼
Core Components
理解系统组成
│
▼
Core Capabilities
分析能力形成
│
▼
Execution Mechanism
解释运行过程
│
▼
Agent Types
比较架构类型
│
▼
Agent Design
形成设计方案
│
▼
Agent Lifecycle
理解运行与演进这一顺序服务于知识研究，并不代表实际开发必须严格遵循相同流程。
在真实工程中，设计、架构选择、能力配置和运行机制通常需要反复迭代。
三、七个专题的研究内容
01 · 什么是 Agent？ - Definition & Boundaries
第一篇研究 Agent 的技术定义、基本特征和系统边界。
研究首先从经典人工智能中的 Agent 概念出发，区分传统智能体、软件代理和现代大语言模型驱动型 Agent 的不同研究语境。
随后，围绕任务目标、环境观察、行动选择、实际执行和反馈利用等维度，建立用于分析 Agent 的技术判据。
本篇还将比较 Agent 与 AI Model、AI Assistant、Workflow、Automation、RAG、Agent System 和 Agent Platform 之间的关系。
其中一个核心问题是：
具备工具调用能力的 AI 应用，是否一定属于 Agent？
研究不会仅依据是否调用工具、是否使用大语言模型或是否具有循环结构作出判断，而是进一步分析系统的决策权、行动能力、反馈机制和任务控制方式。
本篇还将通过最小工程实验，比较固定工作流与动态决策系统的行为差异。
研究成果： 建立 Agent 的技术定义与判定框架，能够分析具体系统的 Agent 属性及其技术边界。
02 · Agent 由什么构成？ - Core Components
第二篇研究 Agent 的基本组成及其协作关系。
本篇将区分四个容易混淆的概念：行为能力、功能职责、软件组件和部署实体。
一个 Agent 的内部能力可以被划分为多个功能维度，但这些功能不一定对应独立的软件模块。
研究将从目标、决策、行动、观察和状态更新的基本闭环出发，推导最小 Agent 所需的逻辑职责。
随后进一步研究任务契约、模型适配器、上下文构建器、工具执行器、状态管理器和运行控制器等组件之间的接口关系。
本篇还将比较单进程架构、图执行架构和服务化架构的技术特点。
通过最小工程实验，验证决策组件、工具组件、状态组件和执行控制组件如何协作完成任务。
研究成果： 建立 Agent 的功能架构与组件模型，能够解释一个 Agent 如何由不同技术部分组合形成可执行系统。
03 · Agent 具备哪些核心能力？ - Core Capabilities
第三篇研究 Agent 的能力形成机制。
本篇首先区分潜在能力、可用能力、表现能力和可靠能力，说明模型具备某种能力，并不意味着 Agent 一定能够在真实任务中稳定表现这种能力。
随后，从任务执行角度研究目标理解、环境感知、知识利用、推理规划、工具行动、反馈修正、记忆复用、人机协作和约束执行等核心能力。
研究将重点解释这些能力分别依赖哪些技术条件，以及模型、工具、知识、状态和执行控制如何共同影响任务表现。
本篇还将结合 ReAct、Toolformer、Reflexion 和 Voyager 等代表性研究，分析不同技术机制如何增强 Agent 的具体能力。
在工程实践中，将进一步研究能力契约与评测方法，把抽象能力转化为可测试的任务要求。
研究成果： 建立 Agent 能力分类与形成机制的技术认知，能够根据任务需求分析能力依赖并设计基本验证方法。
04 · Agent 如何思考和行动？ - Execution Mechanism
第四篇研究 Agent 的核心执行机制，是本章理解 Agent 运行原理的重点专题。
本篇将 Agent 的运行过程抽象为任务状态、行动决策、外部执行、环境观察和状态更新之间的循环关系。
研究重点包括：
- 模型如何生成行动意图；
- 运行时如何解释和校验行动；
- 工具执行器如何调用外部能力；
- 工具结果如何转化为新的观察信息；
- 系统如何更新任务状态；
- 如何判断继续执行、等待、失败或完成。
本篇还将比较固定工作流、动态 Agent Loop、计划—执行和混合控制等不同执行架构。
在代表性研究部分，将分析 ReAct、Toolformer 和 Plan-and-Solve 等技术路线的设计原理与适用边界。
工程实践将通过最小执行器，验证行动选择、权限拒绝、预算控制和任务完成条件。
研究成果： 理解 Agent 从决策到行动的完整技术过程，能够分析执行循环中的控制机制、状态变化和主要失败模式。
05 · Agent 有哪些类型？ - Agent Types
第五篇研究 Agent 的分类体系及其技术依据。
Agent 的类型不能仅按照任务名称进行划分。
同样是研究 Agent，不同系统可能采用规则驱动、模型驱动、计划驱动或混合控制等不同决策机制。
本篇将首先研究经典人工智能中的反射式、内部模型式、目标导向式、效用导向式和学习型 Agent，理解不同决策架构的基本原理。
随后进一步分析现代 Agent 的反应式、计划—执行式、分层控制式和混合控制式架构。
在此基础上，从任务领域、决策机制、自主程度、执行模式、环境接口、规划深度和状态依赖等多个维度建立类型画像。
研究将重点回答：
不同 Agent 类型的实质性差异是什么？这些差异为什么会影响架构设计与技术选型？
工程实践将通过类型画像和配置检查，辅助判断不同架构的适用条件。
研究成果： 建立多维 Agent 分类体系，能够根据具体任务识别不同 Agent 的架构特征和设计取舍。
06 · 如何设计一个 Agent？ - Agent Design
第六篇研究 Agent 的设计原理与架构决策方法。
本篇首先讨论如何判断任务是否真正需要 Agent。
对于步骤明确、规则稳定、反馈需求较低的任务，固定程序或工作流可能更加简单可靠；对于需要根据不确定信息持续选择行动的任务，动态 Agent 架构可能具有更明显的价值。
研究将从任务契约出发，分析目标、输入输出、成功条件、环境约束、行动权限和资源预算如何影响架构选择。
随后进一步研究模型决策权、运行时执行权和用户批准权之间的分配关系，以及工具、状态、证据和控制机制的设计方法。
本篇还将结合 ReAct、Reflexion 和代表性 Agent 工程方法，分析不同设计路线的适用条件。
工程实践将比较固定工作流与动态决策策略，并通过可运行实验验证架构设计中的关键约束。
研究成果： 掌握从任务需求到 Agent 架构方案的基本设计方法，能够解释架构选择的技术依据与工程取舍。
07 · Agent 的生命周期是什么？ - Agent Lifecycle
第七篇研究 Agent 从定义、发布到运行、恢复、终止和迭代的完整生命周期。
本篇首先区分 Agent Definition、Release、Instance、Session、Run、Step 和 Checkpoint 等不同技术对象，解释它们各自的标识、状态和时间尺度。
随后研究 Agent 的开发与交付生命周期，以及一次任务执行的运行生命周期。
研究重点将深入状态机的实际运行机制，包括状态转换、事件记录、并发控制、检查点持久化、执行恢复、工具重试和幂等处理。
本篇还将结合 LangGraph 与 Temporal 的代表性实现，比较不同持久化执行技术如何管理状态、恢复和外部副作用。
工程实践将使用 Python 和 SQLite 构建最小可恢复执行器，验证任务状态持久化、等待、恢复、事件去重和基本幂等机制。
研究成果： 建立 Agent 生命周期的技术对象模型，理解运行状态、持久化、恢复、版本与外部副作用之间的关系，为后续 Agent System 和 Agent Platform 研究奠定基础。
四、理解 Agent 的三个核心技术视角
在七个专题中，有三个问题尤其容易混淆：
- Agent 由什么构成？
- Agent 具备什么能力？
- Agent 如何产生这些能力？
这分别对应组成、能力与执行机制三个研究视角。
| 研究视角 | 核心问题 | 主要研究对象 |
|---|---|---|
| Components | 系统由什么构成？ | 模型、工具、状态、上下文、运行控制等技术部分 |
| Capabilities | 系统能够完成什么？ | 任务理解、检索、规划、行动、反馈和协作等能力 |
| Mechanisms | 系统如何实现这些能力？ | 决策算法、执行协议、状态更新和反馈控制 |
例如，一个研究 Agent 能够使用搜索工具查找技术资料。
从组成角度看，它需要搜索工具接口、工具执行器以及能够处理返回结果的组件。
从能力角度看，它表现出外部信息获取能力。
从机制角度看，它需要识别信息缺口、选择搜索行动、生成查询参数、执行检索、分析结果，并判断是否需要继续搜索。
同一个系统行为，可以从不同技术视角进行解释。
组件是能力实现的基础，机制解释组件如何协作，能力则体现系统在具体任务中的行为表现。
三者之间不是简单的一一对应关系。
一项能力可能依赖多个组件；一个组件也可能支持多项能力；同一项能力还可能通过不同技术机制实现。
理解这一关系，是从 Agent 基础概念进入内部架构研究的重要前提。
五、贯穿案例：研究助理 Agent
为了让七个专题之间建立连续联系，本章将使用研究助理 Agent 作为主要贯穿案例。
假设用户提出任务：
研究三种 Agent 技术方案，收集可靠资料，分析其核心实现机制、优势与局限，并形成一份具有证据来源的技术研究报告。
这一任务可能涉及需求分析、资料检索、文档阅读、技术比较、证据验证、报告生成和结果检查等多个步骤。
一个具备相应工具与运行机制的研究 Agent，可以根据任务状态决定如何组织这些步骤，并利用执行结果调整后续行动。
七个专题将从不同角度研究同一个案例。
| 专题 | 在研究助理案例中的研究重点 |
|---|---|
| Definition & Boundaries | 为什么该系统可以被视为 Agent？它与普通问答或固定工作流有什么区别？ |
| Core Components | 它需要哪些功能职责与软件组件？组件如何连接？ |
| Core Capabilities | 它需要哪些研究能力？这些能力依赖什么技术条件？ |
| Execution Mechanism | 它如何选择检索、阅读、分析和输出等行动？ |
| Agent Types | 它采用什么决策架构？属于哪些类型？ |
| Agent Design | 如何设计任务契约、工具、状态、控制权和权限？ |
| Agent Lifecycle | 它如何创建、运行、等待、恢复、完成和迭代？ |
5.1 从任务目标到实际执行
可以将研究助理 Agent 的工作过程简化为：
用户提出研究任务
│
▼
识别目标与交付要求
│
▼
分析当前信息与研究缺口
│
▼
选择下一步研究行动
│
├── 检索资料
│
├── 阅读文档
│
├── 分析证据
│
└── 整理结论
│
▼
执行工具或生成内容
│
▼
处理执行结果
│
▼
更新任务状态
│
├── 证据不足 ──► 继续研究
│
└── 满足要求 ──► 生成报告这只是逻辑示意。
实际系统中，模型调用、工具执行、状态更新和权限检查可能由不同组件承担，也可能根据任务要求加入人工审批、检查点和执行恢复机制。
5.2 为什么需要贯穿案例？
Agent 的很多概念具有较强的抽象性。
例如，自主性、状态管理、行动选择和反馈控制，如果仅通过定义进行解释，容易产生理解偏差。
通过同一个任务案例，可以观察这些概念在真实执行过程中的具体作用。
同时，本章也会适当引入编程 Agent、浏览器操作 Agent 和数据分析 Agent 作为对照，帮助理解不同任务对工具、状态、规划和权限的不同要求。
贯穿案例的目标不是证明某种 Agent 架构普遍优于其他架构，而是帮助读者理解技术机制如何在具体任务条件下产生不同的系统行为。
六、本章的研究方法与质量要求
本章按照《Agent 全栈技术地图》研究规范 v1.2 开展研究。
虽然 Fundamentals 是基础章节，但研究不能仅停留于概念解释和功能罗列。
对于决定 Agent 行为的关键机制，需要进一步解释其技术原理、运行过程、实现方式和适用边界。
6.1 六层研究逻辑
七篇专题原则上遵循以下研究逻辑：
| 研究层次 | 主要内容 |
|---|---|
| 概念与定位 | 定义、背景、研究问题与技术边界 |
| 技术原理 | 核心机制、算法、决策过程与状态变化 |
| 架构与数据组织 | 组件、接口、数据结构、信息流与控制流 |
| 代表性技术研究 | 经典理论、论文、开源框架与技术路线比较 |
| 工程实现 | 可运行示例、接口设计、实验与测试 |
| 局限与评估 | 适用条件、失败机制、成本与技术取舍 |
不同专题应根据研究对象调整具体结构。
例如，Definition & Boundaries 更强调技术判据和概念边界；Execution Mechanism 更强调执行过程和控制机制；Agent Lifecycle 则需要重点研究状态持久化、恢复和外部副作用。
研究深度应服务于具体问题，而不是机械追求相同的章节数量。
6.2 核心机制应解释实际运行过程
对于关键技术，本章应尽可能回答：
- 为什么需要这一机制？
- 它接收哪些输入？
- 内部如何处理信息？
- 使用哪些关键数据结构或算法？
- 它如何与其他组件交互？
- 执行过程中如何改变状态？
- 如何判断结果是否正确？
- 在什么条件下可能失败？
研究不仅要描述技术方案，还应尽可能进入其实际运行机制。
6.3 代表性研究应具有技术分析深度
本章将结合经典人工智能理论、代表性学术论文以及现代 Agent 框架的工程实现进行研究。
引用研究成果时，应关注其设计问题、核心机制、技术贡献、适用条件和局限，而不是只列出名称。
对于尚未实际核验的论文细节、框架接口或产品能力，应明确说明验证状态。
6.4 工程实验应验证核心机制
对于适合通过代码展示的研究内容，将提供最小可运行工程实验。
例如：
- 使用状态驱动的行动选择解释 Agent 的基本判据；
- 使用组件化执行器解释 Agent 的组成；
- 使用任务评测器解释能力与任务表现的关系；
- 使用执行循环验证权限、预算和终止条件；
- 使用状态持久化实验解释生命周期恢复。
这些实验的目标是验证特定技术机制，而不是将简化示例误认为完整的生产级 Agent。
研究中应明确区分已运行的测试、尚未验证的示例和真实模型环境下的实际能力。
七、研究边界与后续衔接
本章重点研究单个 Agent 的基本概念、整体结构和运行原理。
对于与后续研究领域存在交叉的技术，将明确区分研究深度和职责范围。
7.1 与 Internal Architecture 的边界
Fundamentals 主要解释 Agent 的各项能力在整体系统中发挥什么作用，以及它们如何共同形成任务执行行为。
Internal Architecture 则进一步研究各项能力的具体技术机制。
例如：
| 技术主题 | Fundamentals 的研究重点 | Internal Architecture 的研究重点 |
|---|---|---|
| Model | 模型在 Agent 中承担什么职责 | 模型调用、推断、路由与结构化决策 |
| Context | 为什么需要当前任务上下文 | 上下文装配、选择、压缩与预算 |
| Memory | 记忆如何支持持续任务 | 记忆写入、存储、检索与更新 |
| Knowledge | 外部知识如何支持任务 | 检索策略、证据处理与知识整合 |
| Tools | 工具如何形成外部行动能力 | 工具协议、选择、执行与错误恢复 |
| Planning | 规划如何组织任务执行 | 规划算法、任务图、状态评估与动态调整 |
| Permissions | 为什么需要限制行动边界 | 授权、策略执行、审批与运行时校验 |
Fundamentals 提供整体认识，Internal Architecture 提供内部机制研究。
7.2 与 Development & Practice 的边界
本章会研究 Agent 的基本设计原则和部分可运行实验，但不会完整覆盖项目开发的全部流程。
Development & Practice 将进一步研究如何根据实际任务进行技术选型、项目组织、系统集成、调试、测试和工程迭代。
因此，本章的工程实验主要用于理解机制，后续章节则更加关注如何构建完整的 Agent 应用。
7.3 与 Agent System 的边界
本章主要研究单个 Agent 的行为与运行机制。
当多个 Agent 需要协作，或者系统需要更复杂的执行基础设施时，将进入 Agent System 的研究范围。
例如：
- 多 Agent 任务分配与通信；
- 执行引擎与任务调度；
- 共享状态管理；
- 分布式执行与故障恢复；
- 系统级可观测性与可靠性。
这些机制可能服务于单个 Agent，也可能服务于多个 Agent，但其研究对象已经扩展到系统级架构。
7.4 与 Agent Platform 的边界
Agent Platform 进一步研究 Agent 的平台化创建、管理和运行。
例如 Agent Registry、版本管理、实例调度、资源控制、用户管理和运营治理。
本章会介绍 Agent 定义、发布版本和运行实例等概念，但平台层面的完整管理机制将在后续领域深入研究。
八、与已有 AI 知识体系的联系
Agent 研究建立在已有 AI 技术基础之上。
其中，以下专题与本章联系最为紧密。
| 已有研究 | 与 Agent Fundamentals 的关系 |
|---|---|
| M4 · Large Language Models | 理解现代 Agent 的主要模型能力 |
| M7 · Inference & Decoding | 理解模型输出的生成机制及其局限 |
| E1 · Model API | 理解 Agent 如何调用模型 |
| E2 · Prompt Engineering | 理解指令如何影响模型行为 |
| E3 · Context Window | 理解上下文容量与信息组织限制 |
| E4 · Structured Outputs | 理解模型输出如何转化为结构化数据 |
| E5 · Function Calling | 理解模型如何表达工具调用意图 |
| K4 · Information Retrieval | 理解 Agent 如何获取外部信息 |
| K5 · Retrieval-Augmented Generation | 理解 Agent 如何利用检索证据 |
| K6 · Knowledge Base | 理解 Agent 可访问的知识资源 |
这些技术分别提供模型能力、信息组织、知识获取和外部操作等基础。
Agent 则进一步研究它们如何通过运行时机制形成连续的任务执行过程。
因此，Agent 研究并不是对已有 AI 技术的重复介绍，而是从系统行为和任务执行角度重新组织这些技术。
九、本章完成后应形成的能力
完成七篇专题后，读者应当能够从以下几个方面理解和分析 Agent。
概念判断。 能够解释 Agent 的定义与基本特征，区分 Agent、模型调用、普通 AI 应用、固定工作流和自动化系统。
架构理解。 能够识别 Agent 的主要功能职责和软件组件，理解组件之间的接口关系、信息流和控制流。
能力分析。 能够解释 Agent 的能力如何形成，区分模型潜在能力、系统可用能力与真实任务表现。
机制理解。 能够分析 Agent 从接收目标、选择行动、执行工具到处理反馈的完整过程，理解执行控制、状态更新和终止条件。
类型识别。 能够从决策机制、控制架构、自主程度和执行模式等角度描述不同 Agent，并分析其适用条件。
设计判断。 能够根据任务需求判断是否适合使用 Agent，并提出基本的架构选择、能力配置和控制策略。
生命周期理解。 能够区分 Agent 定义、发布版本、运行实例和任务执行，理解状态机、检查点、恢复、重试和版本迭代的基本机制。
最终，读者应能够围绕一个具体任务，系统回答：
为什么需要 Agent？应该采用什么类型的 Agent？需要哪些组件与能力？系统如何选择和执行行动？如何验证任务结果？运行过程中又如何管理状态、风险和生命周期？
能够回答这些问题，意味着已经具备进入 Agent Internal Architecture 和 Development & Practice 的基础。
十、后续学习路径
完成 Fundamentals 后，将进入：
02 · Agent 的能力由哪些部分构成？ - Internal Architecture
这一章节将进一步深入 Agent 的内部能力结构，系统研究十个技术维度：
- Identity & Role
- Model
- Instructions
- Context
- Memory
- Knowledge
- Tools
- Skills
- Planning & Reasoning
- Permissions & Constraints
研究重点将从整体组成和执行机制，转向各项能力的具体技术原理、数据结构、算法策略、架构设计和工程实现。
随后进入：
03 · 如何设计、构建和测试 Agent？ - Development & Practice
这一章节将把前面研究的概念、架构和技术机制整合起来，围绕真实任务开展 Agent 的设计、开发、验证与迭代。
贯穿案例中的研究助理 Agent，也将在这一阶段逐步形成完整的工程实现。
通过三个章节的学习，读者将完成从认识 Agent、理解其内部技术架构，到实际构建 Agent 的系统性研究过程。
本章研究目标
建立一套准确、系统、具有技术深度并面向工程实践的 Agent 基础知识体系。
通过七个专题，理解 Agent 的定义与技术边界、基本组成、核心能力、执行机制、架构类型、设计方法和运行生命周期，建立从任务目标到行动执行的整体技术认知。
研究不仅需要解释 Agent 是什么、能够做什么，还需要进一步理解其能力如何形成、行动如何发生、状态如何变化，以及不同技术机制如何共同影响任务执行的可靠性。
最终，为后续 Internal Architecture 的深入技术研究，以及 Development & Practice 中的实际系统设计与工程实现奠定基础。