AI 基础进阶 · Agent 工程
Agent 架构详解：ReAct、Function Calling、规划、记忆与多智能体
入门课讲了"Agent = LLM + 规划 + 工具 + 记忆"的直觉，这一课往下钻一层：ReAct 循环具体怎么转、函数调用那段 JSON 长什么样、Planning 怎么拆任务、Memory 分哪三层、多个 Agent 又怎么组队。看懂这五块，你就能动手搭一个能跑的 Agent。
① 本章怎么学（4 步走，约 60 分钟）
1ReAct 循环（12 分钟）
读②：想-做-看-再想。
2Function Calling（13 分钟）
读③：结构化 JSON 调用。
3规划与记忆（18 分钟）
读④⑤：拆任务、三层记忆。
4多智能体+自测（17 分钟）
读⑥⑦⑧，做折叠题。
本章小目标学完你要能：① 画出 ReAct 的思考-行动-观察循环；② 看懂一段工具调用 JSON；③ 说出短期/长期/实体三种记忆；④ 讲清 AutoGen/CrewAI 这类多智能体是怎么分工的。
② ReAct 模式：想一步、做一步、看结果
ReAct = Reasoning（推理）+ Acting（行动）。它把大模型的输出拆成两类交替出现的步骤：
Thought思考
模型用大白话想：现在到哪一步了、下一步该干嘛。
Action行动
调用某个工具（搜索/计算/查库）。
Observation观察
把工具返回的结果读进来，作为下一轮思考的输入。
如此 Thought → Action → Observation → Thought → … 循环，直到模型认为任务完成，给出最终答案。关键：每一步都基于上一步真实观察到的结果，而不是凭空一路编到底，这就是它比"一次性长输出"更靠谱的原因。
读法：思考完就行动，行动完看结果，看完成果再思考，循环到任务完成。
③ Function Calling：模型输出一段结构化 JSON
Function Calling 不是让模型真的执行代码，而是让它按约定格式吐出一段 JSON，告诉你"我要调哪个工具、参数填什么"。真正执行的是你的程序。
典型的工具调用请求长这样：
{
"name": "search_flights",
"arguments": {
"from": "南京",
"to": "上海",
"date": "下周三"
}
}
你的程序读到这段 JSON，真的去调订票 API，再把结果塞回下一轮 prompt。这样模型负责"决策"，程序负责"执行"，接口固定、可校验、不会乱跑代码。
为什么要结构化输出自由文本不可控、容易乱；固定 JSON schema 可以做参数校验、类型检查、错误重试，生产环境才敢用。
④ Planning 规划：把大目标拆成小任务
面对"帮我做一份上月销售分析报告"这种大目标，Agent 不能一上来就写，得先规划。常见两种策略：
| 策略 | 怎么做 | 特点 |
|---|
| 任务分解 | 把大目标拆成一串子任务清单（拉数→统计→画图→写稿） | 全局清楚，但开头计划可能跑偏 |
| 反思 Reflexion | 做完一步自己挑毛病、纠正再重来 | 边走边修，灵活但更费 token |
进阶做法是 Plan-and-Execute：先让规划者列出完整待办，再派执行者逐个干，中间用反思节点检查质量。
⑤ Memory 记忆：短期、长期、实体三层
| 记忆层 | 存什么 | 怎么实现 |
|---|
| 短期上下文 | 本次对话/任务的最近几步 | 直接放 prompt 里，受上下文窗口限制 |
| 长期向量记忆 | 跨会话的历史资料、文档 | Embedding 存向量库，用时 RAG 检索 |
| 实体记忆 | "用户姓张、公司在南京"这类关键事实 | 结构化存进知识库/数据库，随时取用 |
为什么需要这三层上下文窗口装不下所有历史；全塞进 prompt 又贵又超限。短期装"正在干的事"，长期用检索按需调取，实体记忆专门记那些反复要用的关键事实。
⑥ Multi-Agent 多智能体：组队干活
一个 Agent 干不过来时，就派多个分工。AutoGen、CrewAI 是两个最常见的多智能体框架：
Manager管理者
拆任务、派活、验收（Planner/Lead）。
Worker执行者
写代码、查资料、写初稿。
Reviewer审查者
挑错、改稿、把关质量。
它们像一个小团队：Manager 说"先调研、再写、再审"，Worker 之间互相交接结果，Reviewer 打回不合格的环节。AutoGen 强调"多个 Agent 用对话协商"，CrewAI 强调"角色 + 任务 + 流程"的流水线分工。
⑦ 三个例子
例 1 · ReAct 解一道数学题
问："一个水池，进水管 3 小时满，出水管 5 小时空，同时开几小时满？"
Thought：这是工程问题，要算净进水速度。Action：调 calculator(1/3 - 1/5)。Observation：得到 0.133。Thought：满池水需 1/0.133≈7.5 小时，给出答案。
例 2 · 函数调用订天气
用户问"南京明天天气"。
模型输出 {"name":"get_weather","arguments":{"city":"南京","date":"明天"}}，程序真去调天气 API，拿到"多云 26℃"喂回模型，模型再组织成人话回答。
例 3 · 多智能体写一篇技术稿
要写一篇"如何搭 RAG"的教程。
Manager 拆成调研→写初稿→审稿三步；Researcher 上网查资料，Writer 写初稿，Reviewer 挑错打回，Writer 再改，循环到通过。
⑧ 易错提醒
易错 1：以为 Function Calling 会在模型里执行代码模型只输出"调谁、参数是啥"的 JSON，执行权在你的程序。别把"决定调用"当成"已经执行"。
易错 2：把长期记忆等同于"把所有历史塞进 prompt"不对。上下文窗口有限且贵，长期记忆靠向量库 RAG 按需检索，只把相关片段捞进来。
易错 3：以为多智能体一定比单智能体强多一个 Agent 就多一轮对话和 token 消耗，还可能互相"甩锅"、绕圈子。简单任务单 Agent 更快更省，只有复杂到需要分工时才组队。
⑨ 折叠自测（点开即答）
基础1ReAct 由哪两个词组成，循环里有哪三个角色？
Reasoning（推理）+ Acting（行动）。循环为 Thought（思考）→ Action（行动/调工具）→ Observation（观察结果）→ 再思考。
中档2Function Calling 时，真正执行工具的是谁？模型输出的是什么格式？
真正执行的是外部程序；模型只输出一段结构化 JSON，说明要调哪个工具（name）和参数（arguments），程序执行后把结果喂回模型。
拔高3Agent 的记忆为什么要分短期/长期/实体三层？
短期上下文装"正在干的事"但受窗口限制；长期资料用向量库 RAG 按需检索，避免全塞 prompt；实体记忆结构化保存"用户是谁、关键事实"这类反复要用的信息。三层各管一段，又省又准。
⑩ 费曼三问（合上讲，自己讲给自己听）
用大白话回答，讲不顺就是没懂
问 1：ReAct 和"让模型一口气写到底"比，为什么更靠谱？
问 2：你让 Agent 查天气，它输出的那段 JSON 是谁写的、谁执行的？
问 3：什么情况下值得上多智能体，什么情况下单 Agent 就够？
ReAct：Thought→Action→Observation 循环 想一步做一步看结果
Function Calling：模型吐 JSON，程序真执行 它决策，你执行
Planning：任务分解 + 反思纠正 先拆清单再干
Memory：短期上下文 / 长期向量 / 实体事实 三层分工
多智能体：Manager+Worker+Reviewer 组队 AutoGen/CrewAI
⚡ 高频 FAQ
问：Agent 会自己写代码执行吗？不会自动乱执行。Function Calling 只输出 JSON，真正执行的是你写的程序，权限由你控制。
问：记忆是不是越大越好？不是。全塞 prompt 又贵又超限，靠 RAG 按需检索相关片段才是正解。
问：AutoGen 和 CrewAI 怎么选？想让多 Agent 自由对话协商用 AutoGen；想按角色+任务流水线分工用 CrewAI。
📖 名词速查
| 名词 | 大白话 |
|---|
| ReAct | Reason+Act，想一步做一步看结果的循环 |
| Thought/Action/Observation | 思考/行动/观察三个角色 |
| Function Calling | 模型输出结构化 JSON，程序去执行 |
| Planning | 把大目标拆成小任务清单 |
| Reflexion 反思 | 做完自己挑毛病、再改 |
| RAG 向量记忆 | 把历史文档向量化，用时检索 |
| Multi-Agent | 多个 Agent 分工组队干活 |
🧪 动手实验建议
1写个 ReAct 循环
用一段 Python 实现 Thought→Action→Observation。
2接一个工具
让模型输出 JSON 调一个计算器函数。
3试 CrewAI
搭一个"调研+写稿"两角色的小团队。
观察重点单 Agent 一步到位容易瞎编；加了观察和工具调用后，它会基于真实返回继续。
🔁 5 天复习计划
| 天 | 任务 | 自检 |
|---|
| 第 1 天 | 读②③，理清 ReAct 循环与 Function Calling | 画出 Thought→Action→Observation 环 |
| 第 2 天 | 读④⑤，搞清 Planning 与三层记忆 | 说清短期/长期/实体各管什么 |
| 第 3 天 | 读⑥⑦，理解多智能体分工与三例子 | 讲出 Manager/Worker/Reviewer 职责 |
| 第 4 天 | 读⑧易错，做⑨折叠自测 | 三题全对，分清谁决策谁执行 |
| 第 5 天 | 合上讲⑩费曼三问，不看资料讲一遍 | 三问都能举例 |
三句口诀① ReAct 想一步做一步看一步；② 函数调用模型吐 JSON、程序真执行；③ 记忆分三层，复杂任务才上多智能体。
📌 知识链路
前置知识（先学）先有一个会对话的大模型，再懂 RAG（检索增强），最后才给它装上"手和脚"变成 Agent。
本节位置把前面零散的零件（模型、工具调用、记忆）组装成一个能自主干活的闭环系统。
下一步（学完去）回到主流模型全景，看各家模型在 Agent 能力上的差异，再选一个动手搭第一个 Agent。