AI Agent 入门：从「会聊」到「会做事」
Agent 核心循环 · 主流框架对比 · 边界与成本控制
核心结论：Agent = 大模型 + 工具 + 记忆 + 循环。它把「说」变成「做」，但也把「一次调用」变成「可能几十次调用」——能力越强，越要管好边界与成本。
一、Agent 的核心循环
观察(Observ) → 规划(Plan) → 行动(Act) → 工具返回 → 反思(Reflect)
↑____________________________________│
循环直到任务完成每一次循环模型都可能调用工具（查资料、跑代码、发请求），拿到结果后再决定下一步。能否「及时停手」取决于反思环节是否到位。
二、四大组成部件
| 部件 | 作用 | 常见实现 |
|---|---|---|
| 规划 | 拆解目标、决定下一步 | 提示词 / 规划模型 |
| 工具 | 连接外部能力 | 函数调用（见工具调用） |
| 记忆 | 短期上下文 + 长期知识 | 向量库 / 摘要 |
| 反思 | 评估结果、纠正偏差 | 自检提示 / 评测器 |
三、框架选型视角
- 通用编排框架：生态成熟、组件多，适合把多种模型/工具串起来做复杂流程。
- 专用运行框架：强调本地工具执行、CLI/无头模式与可调试性，适合工程化部署。
- 选型关键不是「谁最强」，而是你的场景偏「对话编排」还是「自主执行」，以及是否需要清晰的执行轨迹用于排错。
⚠ 上线前必想清：步数上限、哪些工具有「副作用」需人工确认、失败如何回滚、以及如何观测每一步的 token 成本。
四、常见问题
小模型能跑 Agent 吗？
规划环节可用小模型降本，但复杂任务仍需旗舰模型保证决策质量，推荐分层。
Agent 回答不稳定怎么办？
把任务拆得更细、加强反思与单元测试、对关键步骤固定提示，并记录执行轨迹做复盘。