AI Agent 入门：一张概念地图，看懂「大脑 + 眼睛 + 手脚」
如果你用 Cursor 写过代码、让 Deep Research 调研过课题、用 Manus 在浏览器里完成任务，或者让手机助手帮你订过票——你已经在使用 AI Agent 了。
这些产品形态各异，但有一个共同点：它们不再是"你问一句、它答一句"的被动对话，而是能自主规划步骤、调用工具完成任务、并根据结果调整策略的智能系统。
这篇文章是《深入理解 AI Agent》第一章的知识沉淀，用一张概念地图，把 Agent 的核心公式、运行循环、工具体系和学习机制一次讲清。
一、Agent = LLM + 上下文 + 工具
现代 Agent 的最小工程实现，可以用一个公式表达：
Agent = LLM（大语言模型）+ 上下文 + 工具
三个组件对应三句直觉：
| 直觉 | 实现 | 作用 |
|---|---|---|
| 大脑 | LLM | 思考、理解意图、规划、决策 |
| 眼睛 | 上下文 | 模型在每个决策点"看到"的全部信息 |
| 手脚 | 工具 | 感知与改变外部世界的接口 |
注意两个边界：
- 这个公式只描述 Agent 边界之内的实现，不包含环境（Environment）。Agent 与环境是闭环交互的两方。
- 一条铁律：没有进入上下文的信息，对模型来说就像不存在；没有被工具允许的操作，模型只能停留在文字建议上。
如果熟悉强化学习，三者可以对应：LLM ≈ 策略（Policy）、上下文 ≈ 观察空间（Observation Space）、工具 ≈ 动作空间（Action Space）。
二、观察空间与动作空间：为什么"换接口"常比"换模型"更有效
观察通道 + 动作接口共同构成 Agent 与环境的边界。 Harness 把环境返回的观察转成模型能处理的上下文，再把模型选择的行动转成对环境的工具调用。
由此得到一个对工程实践极其重要的结论：
在底层模型固定时，提升 Agent 表现最主要的系统工程手段，往往是重新定义或扩展观察空间与动作空间。
许多看似需要"更聪明模型"的问题，其实只是接口问题：把任务所需的数据纳入上下文，或把操作封装成工具，原本不可解的任务就可能变得可解。
典型案例：
- Manus：把 Deep Research、Coding、Computer Use 三套分离的观察/动作空间合并进同一个 Agent（虚拟浏览器扩大观察空间，文件系统与代码执行扩大动作空间），不是靠换更强的模型，而是取三者的并集。
- OpenClaw：把接口延伸到用户的数字生活——通过 WhatsApp、Telegram 等消息渠道触达 Agent，用本地 Gateway 连接 Google Drive、Notion 和本地文件系统，跨越了更大的数据边界。
产品能力的演进，本质上常常就是观察空间与动作空间的演进。
三、五类工具：Agent 的"手脚"
工具是 Agent 与外部世界交互的桥梁。按交互方向可分为五类：
| 类型 | 特征 | 例子 |
|---|---|---|
| 感知工具 | Agent 主动获取信息（pull） | 搜索、读文件、查 API |
| 执行工具 | Agent 主动改变世界 | 写文件、跑命令、调外部 API |
| 协作工具 | 与其他智能体/人类分工 | 委托子 Agent、关键决策点请求人类确认（HITL） |
| 事件触发工具 | 外部事件唤醒 Agent（push） | 新邮件、定时任务、Webhook |
| 用户沟通工具 | Agent 主动传递信息 | 汇报进度、主动关怀 |
判断"协作 vs 沟通"的一个简单问法：拿掉这次互动，任务还能继续吗？ 能 → 沟通；不能 → 协作。
工具设计还有一条核心原则：通用基础能力用于组合与探索；专用工具用于约束高风险和强业务规则操作（支付、删除、发邮件等要参数明确、权限受限、全程可审计）。
四、LLM：Agent 的大脑
LLM 是 Agent 的决策核心：解析真实意图 → 拆解任务 → 持续判断"下一步做什么、调不调工具、调哪个、传什么参数"。
两个值得记住的观点：
1. 内部思考：LLM Agent 在行动之前可以先规划和推演，不改变环境却能提升行动质量。这来自预训练积累的世界知识与逻辑规则，所以它不是盲目的随机探索，而是建立在结构化知识体系之上。
2. 模型即 Agent 与 Harness：模型越强，围绕它的 Harness 就越关键。Harness 原指马具——不是为了限制马，而是把力量引导到正确方向。在 Agent 里，模型是那匹强大但不可预测的马，Harness 是引导它的工程外壳：上下文管理、工具接口、安全约束、验证与纠正。
关于"模型会不会吃掉 Harness"（苦涩的教训），书里的立场是方向认同、节奏务实：工具调用、长程规划确实已从外部编排变成模型原生能力；但训练以月计，模型无法一次内化真实业务的所有约束，所以——
模型还做不稳的，Harness 先补上；模型每内化一层，Harness 就卸下一层，转而兜底新的能力前沿。
五、三个学习机制：Agent 是怎么变强的
按照更新发生的位置和持续时间，Agent 的学习有三条互补路径：
| 机制 | 更新位置 | 特点 |
|---|---|---|
| 上下文适应 | 当前会话的上下文 | 快、便宜、短命（换会话就没了） |
| 外部产物更新 | 知识文档 / Prompt / Skill / 程序与 Harness | 持久、可控、可审计，需人工沉淀（如 CLAUDE.md） |
| 参数更新 | 模型参数本身 | 最重，能内化"说不出来"的高维能力（SFT / RL） |
判断用哪条路，可以问：这个能力写得成文档吗？ 能 → 外部产物；写不成（如"像医生一样看片"、"谈判的语气"）→ 参数更新。
注意区分：RAG 是把外部知识送进上下文，属于"上下文/知识"范畴，而不是参数更新。
六、上下文：Agent 的眼睛（五个组成部分）
从 API 视角看，每次调用 LLM 的上下文由五部分组成：
| 组成 | 说明 | 性质 |
|---|---|---|
| 系统提示词 | 岗位说明书：身份、权限、行为准则 | 静态前缀 |
| 工具定义 | 声明可用工具的名称、描述、参数格式 | 静态前缀 |
| 用户消息 | 用户输入（可含 RAG 检索引入的外部知识） | 动态历史 |
| 模型回复 | reasoning（思考）+ content（回复）+ tool_calls（行动） | 动态历史 |
| 工具执行结果 | 工具跑完返回的结果，是闭环控制的关键 | 动态历史 |
消融实验的核心洞察（实验 1-1）：上下文决定 Agent 能看到什么，Agent 只能基于看到的信息决策。但组件并不等价，衡量的标准是它的信息能否从别处重建。两个最有意思的发现：
- 拿掉工具定义：模型照样给出一份格式工整、语气笃定的答案，但数据是编的（来自参数记忆）——"给出了回答"不等于"完成了任务"。
- 拿掉工具执行结果：Agent 变成"盲目执行"，反复重试直到耗尽迭代预算——闭环断了，它就原地打转。
七、ReAct 循环：想 → 做 → 看
Agent 执行任务的核心模式是 ReAct（Reasoning + Acting），实际包含三个环节：
思考（下一步该做什么）→ 行动（调用工具）→ 观察（读取工具结果）→ 再思考……
信息只在眼睛（上下文）和大脑（LLM）之间流动，手脚（工具）负责与环境交互。工具执行结果是闭环的"反馈信号"——没有它，Agent 无法判断行动是否有效，最终卡死在重复执行里。
八、Model–Harness：把一切串起来的结构
- 外层：Agent 与 Environment 的闭环交互（观察 → 决策 → 行动 → 新观察）。
- 内层：Model 负责策略决策；Harness 负责构造上下文、暴露工具接口、维护循环与状态、实施权限验证与纠正。
用公式展开：LLM 对应 Model，"上下文 + 工具"构成最小 Harness；生产系统还会加上约束、验证与纠正。
结语
一张图收尾：
Agent = 大脑(LLM) + 眼睛(上下文) + 手脚(工具)
├─ 眼睛的 5 个组成
├─ ReAct 循环：思考 → 行动 → 观察
├─ 五类工具：感知 / 执行 / 协作 / 事件触发 / 用户沟通
├─ 三个学习机制：上下文适应 / 外部产物 / 参数更新
└─ Model–Harness：大脑 vs 引导它的工程外壳
上下文决定 Agent 能看到什么，工具决定它能做什么，LLM 决定它怎么做；三者靠 ReAct 循环协作，能力则按"临场 → 积累 → 内化"三个尺度持续变强。掌握这些设计原则，比记住某个具体模型或技巧更重要——好的架构原则，穿越模型的迭代周期。