第 9 章：学习和适应 学习和适应对于增强人工智能 Agent 的能力至关重要。这些过程使 Agent 能够超越预定义参数进行演化，通过经验和环境交互实现自主改进。通过学习和适应，Agent 可以有效应对新情况并优化其性能，而无需持续的人工干预。本章将深入探讨支撑 Agent 学习和适应的原理与机制。 全局视角 Agent 通过基于新经验和数据改变其思维、行动或知识来实现学习和适应。这使得

第 8 章：记忆管理 有效的记忆管理对于智能 Agent 保留信息至关重要。与人类类似，Agent 需要不同类型的记忆才能高效运行。本章深入探讨记忆管理，特别关注 Agent 的即时（短期）和持久（长期）记忆需求。 在 Agent 系统中，记忆指代 Agent 保留并利用过去交互、观察和学习经验的能力。这种能力支持 Agent 做出明智决策、维护对话上下文并随时间持续改进。Agent 记忆通常

第 7 章：多 Agent 协作 虽然单体 Agent 架构对于定义明确的问题可能是有效的，但在面对复杂的多领域任务时，其能力往往受到限制。多 Agent 协作模式通过将系统构建为由不同专门化 Agent 组成的协作集合来解决这些限制。这种方法基于任务分解原则，其中高级目标被分解为离散的子问题。然后将每个子问题分配给拥有最适合该任务的特定工具、数据访问或推理能力的 Agent。 例如，一个复杂

第 6 章：规划 智能行为通常不仅仅涉及对即时输入做出反应。它需要远见、将复杂任务分解为更小的可管理步骤，以及制定实现期望结果的策略。这就是规划模式发挥作用的地方。规划的核心是 Agent 或 Agent 系统制定一系列行动以从初始状态向目标状态移动的能力。 规划模式概述 在 AI 背景下，可将规划 Agent 视为处理复杂目标的专家。当您要求"组织团队外出活动"时，您只需定义"目标"（内容

第 5 章：工具使用（函数调用） 工具使用模式概述 截至目前，我们探讨的 Agent 模式主要聚焦于语言模型间的交互编排及 Agent 内部工作流的信息管理（链式、路由、并行化、反思）。然而，要让 Agent 真正发挥价值并与现实世界或外部系统互动，它们需要具备工具使用能力。 工具使用模式通常通过函数调用机制实现，使 Agent 能连接外部 API、数据库、服务，甚至执行代码。该机制让位于

第 4 章：反思 反思模式概述 在前面的章节中，我们探讨了基础的Agent模式：顺序执行的链式、动态路径选择的路由以及并发任务执行的并行化。这些模式使Agent能够更高效、更灵活地执行复杂任务。然而，即使采用复杂的工作流，Agent的初始输出或计划也可能并非最优、准确或完整。这正是反思模式发挥关键作用之处。 反思模式涉及 Agent 评估其自身工作、输出或内部状态，并利用该评估来提升性能或优

第 3 章：并行化 并行化模式概述 在前面的章节中，我们探讨了用于顺序工作流的提示链和用于动态决策及不同路径间转换的路由。虽然这些模式不可或缺，但许多复杂的Agent任务涉及多个可同时执行而非顺序执行的子任务。这正是并行化模式变得至关重要的场景。 并行化涉及并发执行多个组件，包括LLM调用、工具使用乃至整个子 Agent（见图1）。不同于顺序等待每个步骤完成，并行执行允许独立任务同时运行，从

第 2 章：路由 路由模式概述 虽然通过提示词链进行顺序处理是执行确定性、线性工作流的基础技术，但其适用性在需要自适应响应的场景中受到限制。现实世界的 Agent 系统必须经常根据偶然因素在多个潜在行动之间进行仲裁，例如环境状态、用户输入或前一操作的结果。这种动态决策能力，控制流向不同的专门函数、工具或子流程，是通过一种称为路由的机制实现的。 路由将条件逻辑引入 Agent 的操作框架，使其

术语表 基础概念 提示词（Prompt）： 提示词是用户向 AI 模型提供的输入，通常以问题、指令或陈述形式呈现，旨在激发模型生成相应输出。提示词的质量与结构深度影响模型响应效果，使提示工程成为高效运用 AI 的核心技能。 上下文窗口（Context Window）： 上下文窗口指 AI 模型单次处理的最大 token 容量，涵盖输入内容与生成输出。此固定尺寸构成关键限制——超出窗口范围的信

术语表 基本概念 提示词（Prompt）：提示词是用户提供给 AI 模型的输入，通常以问题、指令或陈述的形式出现，用于引发响应。提示词的质量和结构极大地影响模型的输出，使提示词工程成为有效使用 AI 的关键技能。 上下文窗口（Context Window）：上下文窗口是 AI 模型一次可以处理的最大 token 数量，包括输入和生成的输出。这个固定大小是一个关键限制，因为窗口外的信息会被忽略