AI_Agent智能体架构与实践

1
┌─────────────────────────────────────────────────────────┐
2
│                      AI Agent                           │
3
├─────────────────────────────────────────────────────────┤
4
│                                                         │
5
│  ┌───────────┐  ┌───────────┐  ┌───────────────────┐  │
6
│  │   感知    │  │   认知    │  │       行动        │  │
7
│  │ Perception│→ │ Cognition │→ │      Action       │  │
8
│  └───────────┘  └───────────┘  └───────────────────┘  │
9
│                                                         │
10
│  ┌───────────┐  ┌───────────┐  ┌───────────────────┐  │
11
│  │   记忆    │  │   规划    │  │       工具        │  │
12
│  │  Memory   │  │ Planning  │  │      Tools        │  │
13
│  └───────────┘  └───────────┘  └───────────────────┘  │
14
│                                                         │
15
└─────────────────────────────────────────────────────────┘

1
感知输入 → 理解意图 → 知识检索 → 推理分析 → 决策生成

1
# 从用户模糊表述中提取精确意图
2
用户："我想换工作"
3
→ 意图：职业转换咨询
4
→ 子意图：简历优化、职位推荐、面试准备

1
用户：帮我规划一个成都三日游
2
Agent 思考：
3
1. 首先需要了解用户偏好（美食 / 景点 / 购物？）
4
2. 然后确定游览地点和路线
5
3. 安排每日时间表
6
4. 推荐餐厅和住宿
7
5. 整理成行程单

1
                    开始规划
2
                        │
3
              ┌─────────┼─────────┐
4
              ▼         ▼         ▼
5
          美食游     景点游   亲子游
6
              │         │         │
7
          ┌───┼───┐  ┌──┴──┐  ┌──┴──┐
8
          ▼   ▼   ▼  ▼     ▼  ▼     ▼
9
        方案 A B  C  D    E   F    G
10
              │
11
           评估选择最优方案

1
Thought: 我需要查一下明天成都的天气
2
Action: call_weather_tool(city="成都", date="明天")
3
Observation: 天气晴朗，25°C
4
Thought: 天气很好，适合户外活动，可以在行程中加入宽窄巷子
5
Action: search_attractions(keyword="成都宽窄巷子")
6
...

1
阶段 1（规划阶段）：
2
  用户需求 → 任务分解 → 执行计划
3
  ┌──────────────────────────────────┐
4
  │ 1. 查询成都景点                   │
5
  │ 2. 搜索景点门票和开放时间          │
6
  │ 3. 根据位置规划路线              │
7
  │ 4. 推荐附近美食                   │
8
  │ 5. 生成行程表                    │
9
  └──────────────────────────────────┘
10

11
阶段 2（执行阶段）：
12
  按计划逐步执行，每步记录结果

1
# 识别可并行任务
2
tasks = [
3
    search("成都景点推荐"),      # 任务 1
4
    search("成都美食攻略"),       # 任务 2（可并行）
5
    search("成都交通指南"),       # 任务 3（可并行）
6
]
7
# 并行执行 → 汇总结果 → 生成最终回答

1
执行：send_email(recipient="张三", content="明天下午 3 点开会")
2
观察：邮件发送成功，但收件人邮箱地址错误（已离职）
3
反思：
4
- 发送前应该先验证收件人状态
5
- 应该查询最新的通讯录
6
纠错：
7
- 重新查询通讯录
8
- 找到正确的收件人
9
- 重新发送

1
┌─────────────────────────────────────┐
2
│           感知输入                   │
3
└──────────────┬──────────────────────┘
4
               │
5
       ┌───────┼───────┐
6
       ▼       ▼       ▼
7
   ┌──────┐ ┌──────┐ ┌──────┐
8
   │感官  │ │工作  │ │长期  │
9
   │记忆  │ │记忆  │ │记忆  │
10
   └──┬───┘ └──┬───┘ └──┬───┘
11
      │         │         │
12
      ▼         │         ▼
13
  即时信息    当前会话   持久存储
14
  原始感知    上下文     经验知识

1
# 将重要信息编码为向量存入向量数据库
2
memory_embedding = embed_text("用户偏好：喜欢川菜，不吃辣")
3
vector_db.add(memory_embedding, metadata={
4
    "content": "用户偏好：喜欢川菜，不吃辣",
5
    "timestamp": "2026-03-21",
6
    "source": "conversation"
7
})
8

9
# 检索时，用当前上下文找到相关记忆
10
query_embedding = embed_text("推荐一家成都餐厅")
11
relevant_memories = vector_db.search(query_embedding, top_k=3)

1
节点：用户、偏好、成都、川菜、不辣
2
边：用户-喜欢-> 川菜、用户-不喜欢-> 辣

1
用户：成都今天天气怎么样？
2

3
Step 1: LLM 分析请求，判断需要天气信息
4
Step 2: LLM 生成工具调用
5
  {
6
    "tool": "weather_api",
7
    "parameters": {"city": "成都"}
8
  }
9
Step 3: 执行工具，获取结果
10
Step 4: 将结果注入上下文
11
Step 5: LLM 生成自然语言回答

1
# 不好的描述
2
tool = {
3
    "name": "search",
4
    "description": "搜索"
5
}
6

7
# 好的描述
8
tool = {
9
    "name": "web_search",
10
    "description": "在互联网上搜索实时信息、新闻或知识点",
11
    "parameters": {
12
        "type": "object",
13
        "properties": {
14
            "query": {
15
                "type": "string",
16
                "description": "搜索关键词，建议简洁明确，中文优先"
17
            },
18
            "max_results": {
19
                "type": "integer",
20
                "description": "最多返回结果数，默认 5 条",
21
                "default": 5
22
            }
23
        },
24
        "required": ["query"]
25
    }
26
}

1
search("成都景点") → read_review(id) → generate_itinerary()

1
search("成都景点"), search("成都美食"), search("成都交通") → 汇总

1
search() → 结果数量 =0? → 扩大搜索范围 → search()

1
┌──────────────────────────────────────────────────────────┐
2
│                    Agent 任务生命周期                       │
3
├──────────────────────────────────────────────────────────┤
4
│                                                          │
5
│  用户请求                                                  │
6
│     │                                                     │
7
│     ▼                                                     │
8
│  ┌──────────┐                                             │
9
│  │  意图理解  │  ← 分析用户真正想要什么                     │
10
│  └────┬─────┘                                             │
11
│       ▼                                                   │
12
│  ┌──────────┐                                             │
13
│  │  规划分解  │  ← 将任务拆解为步骤                         │
14
│  └────┬─────┘                                             │
15
│       ▼                                                   │
16
│  ┌──────────┐     ┌──────────┐                           │
17
│  │ 工具选择  │ ←→ │ 记忆检索  │  ← 历史经验辅助决策          │
18
│  └────┬─────┘     └──────────┘                           │
19
│       ▼                                                     │
20
│  ┌──────────┐                                             │
21
│  │  执行操作  │  ← 调用工具 /API                            │
22
│  └────┬─────┘                                             │
23
│       ▼                                                     │
24
│  ┌──────────┐                                             │
25
│  │  结果评估  │  ← 检查是否达到目标                         │
26
│  └──┬───┬───┘                                             │
27
│     │   │                                                 │
28
│   是│   │否                                               │
29
│     ▼   ▼                                                 │
30
│  结束   回退 / 重试                                          │
31
│         │                                                 │
32
│         └───────────────────────────────────────┘         │
33
└──────────────────────────────────────────────────────────┘

1
from langchain.agents import AgentExecutor, create_react_agent
2
from langchain_openai import ChatOpenAI
3
from langchain.tools import tool
4

5
@tool
6
def calculator(expression: str) -> str:
7
    """执行数学计算"""
8
    return str(eval(expression))
9

10
@tool
11
def get_weather(city: str) -> str:
12
    """获取城市天气"""
13
    return f"{city}今天晴天，25°C"
14

15
tools = [calculator, get_weather]
16

17
agent = create_react_agent(llm, tools)
18
agent_executor = AgentExecutor(agent=agent, tools=tools)
19

20
result = agent_executor.invoke({
21
    "input": "计算 (25 + 17) * 3，然后告诉我成都天气"
22
})

1
from crewai import Agent, Task, Crew
2

3
researcher = Agent(
4
    role="研究员",
5
    goal="收集相关信息",
6
    backstory="资深市场研究员",
7
    tools=[web_search]
8
)
9

10
writer = Agent(
11
    role="作家",
12
    goal="撰写报告",
13
    backstory="专业商业作家",
14
    tools=[file_write]
15
)
16

17
task1 = Task(description="研究竞品信息", agent=researcher)
18
task2 = Task(description="撰写分析报告", agent=writer)
19

20
crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
21
result = crew.kickoff()