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。