如何让程序像人一样，把大任务拆成小步骤，调用外部工具获取信息，并记住已经做过的事情，最终给出可靠的答案？
一个“最小可用”的 Agent 并不需要庞大的模型或复杂的多智能体框架，只需四个彼此协作的组件：
规划器（Planner）、工具执行器（Tools）、记忆机制（Memory）和主循环控制（Main Loop）。

一、规划器（Planner）—— 决策的“大脑”

规划器负责回答一个核心问题：“根据当前已知信息，下一步该做什么？”
它有两种实现模式，可以根据场景切换：

🅰 状态机模式（轻量、确定、无需 LLM）

将任务分解为多个阶段，每个阶段检查记忆中的特定标志，然后决定调用哪个工具。
例如，对于一个“先计算后搜索”的任务，状态机逻辑为：

# 检查记忆中的工具返回记录has_calc=any('计算结果'instr(msg)formsginmemoryifmsg['role']=='tool')has_search=any('AI Agent'instr(msg)formsginmemoryifmsg['role']=='tool')ifnothas_calc:# 阶段1：执行计算return{'tool_calls':[{'function':{'name':'calculator','arguments':{'expression':'12*9+34-10'}}}]}elifnothas_search:# 阶段2：执行搜索return{'tool_calls':[{'function':{'name':'search_info','arguments':{'query':'AI Agent 发展现状与未来趋势'}}}]}else:# 阶段3：所有工具已完成，生成最终回答return{'content':'综合所有结果……','tool_calls':[]}

这种模式无需调用大模型，速度快、成本低，适用于流程固定的任务。

🅱 LLM 模式（灵活、泛化、带工具描述）

当任务千变万化时，我们让大模型本身充当规划器。只需在系统提示中附上可用工具的schema（函数名、参数、用途），并让模型输出结构化的tool_calls或最终回答。示例提示片段：

系统：你是一个能调用工具的助手。可用工具：

• calculator(expression)：计算数学表达式
• search_info(query)：搜索当前信息
  根据用户问题，决定调用工具或直接回答，并以 JSON 格式返回。

LLM 会根据当前记忆（对话历史）自主决定调用哪个工具、调用几次，甚至进行反思修正。

两者对比（✅ 表示优势，⚖️ 表示权衡）

实际生产环境中，两者常结合使用：用状态机处理标准流程，用 LLM 处理异常或复杂分支。

二、工具执行器（Tools）—— 行动的“手脚”

规划器决定调用哪个工具后，必须有一个机制将工具名称映射到实际函数，并执行它。最直接的方式是维护一个字典（注册表）：

TOOL_MAP={'calculator':lambdaexpression:eval(expression),# 生产环境请用安全计算库'search_info':lambdaquery:f"根据搜索结果：{query}—— 这里是模拟返回内容"}# 在循环中执行forcallindecision['tool_calls']:func_name=call['function']['name']args=call['function']['arguments']result=TOOL_MAP[func_name](**args)# 将结果写入记忆（见第三部分）

工具可以是任何外部能力：计算器、搜索引擎、数据库查询、API 调用、代码解释器等。关键在于统一输入输出格式，让规划器和记忆机制无感知地处理结果。

三、记忆机制（Memory）—— 经验的“便签本”

记忆是 Agent 的“工作区”，它按时间顺序存储所有消息，包括：

• 系统指令（system）：定义角色和行为准则（如“你是一个专业 AI 智能体……”）。
• 用户问题（user）：原始任务。
• 工具返回（tool）：每次工具执行的结果，通常包含工具名称和返回值。
• 最终回答（assistant）：规划器生成的输出。

在 Python 中，记忆就是一个列表：

memory=[{'role':'system','content':'你是一个专业AI智能体，具备任务拆解、工具调用、反思修正能力。'},{'role':'user','content':'计算 12*9+34-10，并介绍当前AI Agent的发展现状与未来趋势'}]# 每次工具执行后追加memory.append({'role':'tool','content':f'计算结果：{result}'})# 最终回答追加memory.append({'role':'assistant','content':final_answer})

记忆的作用：

• 为规划器提供“已做之事”的上下文，避免重复操作。
• 在 LLM 模式下，将完整记忆作为对话历史传入模型，让模型理解全局。
• 最终可将记忆持久化，实现多轮对话或断点续接。

四、主循环控制（Main Loop）—— 过程的“发动机”

所有组件需要在一个循环中协同工作，直到任务完成或超出步数限制。循环执行“规划 → 行动 → 观察”三步，形成经典的ReAct（Reason + Act）模式：

max_steps=8forstepinrange(max_steps):# 1. 规划decision=planner.plan(memory)# 状态机或 LLM# 2. 如果有最终回答，结束循环ifdecision.get('content'):final_answer=decision['content']memory.append({'role':'assistant','content':final_answer})break# 3. 否则执行工具调用（行动）forcallindecision.get('tool_calls',[]):func_name=call['function']['name']args=call['function']['arguments']result=TOOL_MAP[func_name](**args)# 4. 观察：将结果写回记忆memory.append({'role':'tool','content':result})# 如果达到最大步数仍未完成，可强制输出当前记忆或报错

最大步数（如 8 步）是防止死循环的安全阀。当 Agent 误入重复调用时，能主动退出并提示用户。

五、交互流程

而主循环的每一步都遵循“规划→行动→观察”的闭环：

六、一个完整示例：计算 + 搜索

以用户任务“计算 12*9+34-10，并介绍当前 AI Agent 的发展现状与未来趋势”为例，我们采用状态机模式，步数上限为 8，实际执行轨迹如下：

最终回答（模拟）：

计算结果：132
根据搜索：AI Agent 正在从单一智能体向多智能体协作演进，趋势是轻量化、可信化、行业化……
综合以上：本次计算结果为 132；AI Agent 正从单智能体向多智能体协作演进，趋势是轻量化、可信化、行业化。

记忆最终状态（共 5 条消息）：

1. system：你是一个专业AI智能体……
2. user：计算 12*9+34-10，并介绍……
3. tool（calculator）：计算结果：132
4. tool（search_info）：根据搜索结果：……
5. assistant：综合回答……

七、总结与扩展

一个最小可用的 Agent 架构，其精髓在于“以记忆为纽带，以规划为引擎，以工具为手脚，以循环为节拍”。这种设计具备三个显著优点：

• 可观测性：每一步的决策、行动、观察都被记录，便于调试和审计。
• 可扩展性：新增工具只需注册到TOOL_MAP，调整规划器逻辑即可。
• 成本可控：状态机模式几乎不消耗模型调用，LLM 模式仅在需要时启用。

可以在最小架构之上叠加更多能力：

• 反思机制：让规划器回顾历史步骤，判断是否需要重新规划。
• 多智能体协作：规划器将任务分配给不同角色的子 Agent。
• 流式输出：在生成最终回答时逐字返回，提升用户体验。