Lesson1-Agent Foundations

Agent、LLM 和 Workflow 的区别

- LLM 负责生成内容;Agent 能感知环境、做决策并执行行动。
- Workflow 的执行路径由开发者预先规定;Agent 根据当前结果动态选择下一步。
  • Agent 的运行循环

    • 基本过程:观察状态 → 选择行动 → 执行工具 → 接收结果 → 继续决策。
    • 模型生成工具名称和参数,运行时负责检查权限、执行调用,再把结果交回模型。
  • 规划与推理方法

    • CoT:逐步推理,把复杂问题拆成小步骤。
    • ToT:生成多个候选推理分支,通过评估和搜索选择路径。
    • ReAct:交替进行推理、行动和观察,根据工具反馈调整后续步骤。
  • Agent 的记忆

    • 短期记忆:当前上下文中的任务信息和交互历史,受上下文窗口限制。
    • 长期记忆:存储在外部数据库或向量库中,通过检索取回。
    • 还介绍了语义记忆(知识)、情景记忆(经历)和程序性记忆(技能)。

工具调用与 MCP

- 工具让 Agent 能搜索、操作浏览器、执行代码、访问外部数据等。


这里机制就是输出特殊的工具token, 然后停下等待工具调用结果然后继续后面的decode

- **MCP** 用统一的客户端—服务器协议连接模型应用与工具,减少重复适配。

-

Harness 与 Agent 基础设施

- **Harness** 是运行 Agent 的软件,管理上下文、模型与工具循环、执行和权限。
- 持久工作区保存文件及执行状态;沙箱负责隔离。
- 系统研究关注推理效率、资源管理、状态保存、故障恢复与安全。