第0章 Agent能力全景展示
来源：https://ai-agent-guide.xiaofuge.cn/chapters/ch00-fundamentals.html 所属：序章
第0章 Agent 能力全景展示
🎬 序章
📍 这一章怎么读
这不是术语章，而是建立直觉的序章。你只需要先记住三件事：Agent 不只是聊天、Agent 会自己决定下一步做什么、Agent 不是万能的，只有在"需要调用工具、需要多步决策、需要持续反馈"时才值得使用。
小白路线：先看 0.1 和 0.2，建立感受后立刻进入第1章基础概念。
开发路线：重点看 0.1、0.3、0.4，快速建立"能力地图 → 实现组件"的对应关系。
面试路线：这一章只回答"Agent 是什么、比 ChatBot 强在哪、适合解决什么问题"，不要在这里死记底层术语。
0.1 五分钟体验 Agent
在深入学习 Token、Prompt、Embedding 这些底层概念之前，先让我们直观感受一下 Agent 到底能做什么。与其从定义开始，不如从一个真实的交互开始——你问一个问题，Agent 自己判断意图、选择工具、获取数据、总结回答。整个过程你不需要告诉它"该查天气"或"该用哪个 API"，它自主决策、自主行动。
下面这个演示模拟了一个天气查询 Agent 的完整工作流程。注意观察每个步骤中 Agent 的"思考过程"——这正是 Agent 和普通 ChatBot 的核心区别：ChatBot 只能聊天，Agent 能行动。
Agent 交互流程图
交互式对话模拟
下面是一个逐步展示的对话模拟——每一行会按时间顺序依次出现，让你看到 Agent 是如何一步步完成任务的。整个过程不到 5 秒，但背后包含了"感知→思考→行动→观察→回答"的完整闭环。
👤 用户 北京明天适合户外运动吗？ 🧠 思考 (Thought)
用户问的是"适合户外运动吗"，这需要天气信息来判断。我需要知道温度、天气状况、湿度等数据。应该调用 get_weather 工具查询北京明天的天气。 ⚡ 行动 (Action)
调用工具：get_weather(city="北京", date="2026-07-03")
👀 观察 (Observation) 天气API返回：晴，最高温 28°C，最低温 19°C，湿度 45%，风速 3m/s（微风），紫外线指数中等，空气质量良好。 🧠 思考 (Thought)
根据观察数据分析：28°C 是舒适的运动温度，晴天无雨，湿度 45% 适宜，微风不影响运动，空气质量良好。紫外线中等需要注意防晒。综合判断：非常适合户外运动。 💬 最终回答 (Final Answer)
北京明天非常适合户外运动！☀️ 天气晴朗，气温 19-28°C，湿度适中（45%），微风，空气质量良好。
**建议：**推荐早上 7-10 点或下午 4 点后运动，避免午后高温时段。紫外线中等，记得涂防晒霜。适合跑步、骑行、登山等各类户外活动。
▶ 点击开始演示 ↺ 重置
看到这个演示后，你可能已经注意到几个关键点： 🔑 Agent vs ChatBot：核心差异 | 对比维度 | 普通 ChatBot | AI Agent | | --- | --- | --- | | 回答方式 | 基于训练数据直接回答 | 判断是否需要工具，主动调用获取实时数据 | | 数据来源 | 只能用训练时的历史数据 | 可以调用 API、搜索网页、查询数据库 | | 思考过程 | 一次生成，无中间步骤 | Thought→Action→Observation 循环推理 | | 纠错能力 | 无法自我纠错 | 观察结果后可重新决策，自动纠错 | | 记忆能力 | 仅限当前对话上下文 | 短期+长期记忆，跨会话保持 | 这就是 Agent 的魅力——它不是"更聪明的聊天机器人"，而是一个能自主感知、思考、行动、观察的数字助手。接下来的章节会带你深入了解 Agent 的每一个能力维度和底层原理。
"不要从定义开始学 Agent，从体验开始。看它做了什么，再理解它怎么做。"
0.2 Agent 能力全景图
Agent 不是一个单一的技术，而是四大能力域的有机整合。就像一个人需要眼睛看（感知）、大脑想（思考）、手脚动（行动）、耳朵听反馈（观察），Agent 也需要这四个能力才能完成复杂任务。下面这张全景图展示了 Agent 的能力架构，以及每个能力对应本书的哪些章节。
你可以把这张图当作整本书的导航地图——每学习一个章节，就回来看看它属于哪个能力域、和其他能力如何联动。Agent 的精髓不是某个单一能力的强大，而是四个能力协同运作形成的闭环。
四大能力域详解
👁️
感知 (Perceive)
Agent 的"眼睛和耳朵"——接收用户输入、环境信号、工具返回结果。感知能力决定了 Agent 能"看到"多少信息，包括多模态输入（文字、图片、语音）、上下文理解、意图识别。 📖 相关章节：ch01 大模型基础 · ch04 提示词工程 · ch20 RAG 检索增强
🧠
思考 (Think)
Agent 的"大脑"——推理、规划、记忆检索。思考能力包括思维链推理（CoT）、任务拆解与规划（Plan & Execute）、记忆检索与整合、多路径探索（ToT）。这是 Agent 最重要的能力域。 📖 相关章节：ch04 提示词工程 · ch06 记忆系统 · ch07 意图识别 · ch08 运行时 · ch09 Harness · ch14 多Agent
感知→ 思考→ 行动→ 观察↻ 再思考 ⚡
行动 (Act)
Agent 的"手脚"——工具调用、代码执行、多Agent协作。行动能力让 Agent 从"只会想"进化到"能做事"，包括 Function Calling 调用外部 API、代码生成与执行、浏览器自动化、多 Agent 协同工作。 📖 相关章节：ch10 工具设计 · ch11 MCP 协议 · ch12 Skills · ch18 CLI Agent
👀
观察 (Observe)
Agent 的"反馈回路"——结果评估、循环决策、自我纠错。观察能力让 Agent 判断"做得对不对"，包括工具返回结果解析、执行效果评估、反思与纠错（Reflection）、循环决策直到满意。 📖 相关章节：ch06 记忆系统 · ch21 评估与可观测性 · ch22 安全防护 · ch08 运行时架构
🔄 Agent 核心闭环：感知 → 思考 → 行动 → 观察 → 再思考
四大能力域不是孤立的模块，而是形成一个持续运转的闭环。Agent 接收输入（感知），分析决策（思考），执行操作（行动），评估结果（观察），然后根据观察重新调整策略（再思考）。这个循环一直运行，直到任务完成或达到终止条件。
全景架构图
🗺️ 本教程章节导航（ch00 - ch25） | 章节 | 主题 | 所属篇 | 核心内容 | | --- | --- | --- | --- | | ch00 | Agent 能力全景展示 | 序章 | Agent 体验 + 全景图 + 进化史 + 基础概念 | | ch01 | 大模型与 Agent 基础概念 | 第一篇 基础 | LLM 原理、Transformer、模型家族、Token 与上下文窗口 | | ch02 | 什么是 AI Agent？ | 第一篇 基础 | Agent 定义、架构组件、与 ChatBot 的区别、能力闭环 | | ch03 | 你的第一个 Agent：天气查询助手 | 第一篇 基础 | 从零搭建天气 Agent，Function Calling 实战 | | ch04 | 提示词工程：与 LLM 沟通的语言 | 第二篇 大脑 | 三层结构、采样参数、C.L.E.A.R 原则、Jinja2 模板、PromptOps | | ch05 | ReAct：让 Agent 学会思考 | 第二篇 大脑 | ReAct 模式、ReWOO、LLM Compiler、Reflexion 反思、CoT/ToT | | ch06 | Agent 的记忆系统 | 第二篇 大脑 | 短期/长期/工作记忆、上下文压缩、Context Engineering | | ch07 | 意图识别与决策中枢 | 第二篇 大脑 | 意图识别、工具路由、任务规划、Agent Loop 执行循环 | | ch08 | Agent 运行时：Loop 引擎与沙箱 | 第二篇 大脑 | Agent Loop 主循环、Runtime 五层架构、沙箱隔离、稳定性保障 | | ch09 | Harness 工程：大脑的工程化外壳 | 第二篇 大脑 | Prompt→Context→Harness 三范式、六大组件、Claude Code/Cursor/Trae 对比 | | ch10 | Function Calling 与工具设计 | 第三篇 手脚 | 工具调用原理、Schema 设计、信号提取、多协议适配 | | ch11 | MCP：工具的标准化接口 | 第三篇 手脚 | MCP 协议、Stdio/SSE/Streamable HTTP、Server 开发实战 | | ch12 | Skills：工具的组合与复用 | 第三篇 手脚 | Skill 体系、L0/L1/L2 分层、沉淀机制、匹配与路由 | | ch13 | CLI 能力：Agent 操作本地工具 | 第三篇 手脚 | CLI 工具注册、NL2Shell、SSH Agent、错误自愈 | | ch14 | 多 Agent 系统架构 | 🧬 第四篇 神经系统 | 多Agent协作模式、A2A 协议、任务分解与编排 | | ch15 | LangGraph 与状态机 | 🧬 第四篇 神经系统 | LangGraph 状态机、Graph 编排、Checkpoint 与中断恢复 | | ch16 | 主流 Agent 框架对比 | 第五篇 框架 | LangChain vs LangGraph vs AutoGen vs CrewAI vs OpenAI Agents SDK | | ch17 | Dify、Coze 与可视化编排 | 第五篇 框架 | Dify/Coze/n8n 低代码平台、可视化工作流编排 | | ch18 | CLI Agent：命令行智能助手 | 第六篇 实战 | CLI Agent 完整实现、工具链集成、交互式对话 | | ch19 | GUI Agent：浏览器自动化 | 第六篇 实战 | Computer Use、浏览器操控、代码索引与 AST 检索 | | ch20 | RAG：检索增强生成 | 第六篇 实战 | Chunk→Embed→Retrieve→Rerank��Generate 全流程、GraphRAG | | ch21 | Agent 评估与可观测性 | 第七篇 工程化 | SWE-bench/HumanEval/AgentBench 评测、Trace 分析、EDD | | ch22 | Agent 安全与防护 | 第七篇 工程化 | Prompt 注入攻防、红队测试、GDPR 合规、权限分级 | | ch23 | Agent 部署与运维 | 第七篇 工程化 | K8s 部署、Prometheus 监控、灰度发布、SLA 保障 | | ch24 | 推理框架与模型服务化 | 第七篇 工程化 | vLLM/TensorRT-LLM/SGLang、推理优化、模型服务化 | | ch25 | 2026 Agent 技术展望 | 终章 | 技术趋势、Context Engineering、OpenAI Responses API、未来方向 | "Agent 的精髓不是某个单一能力的强大，而是感知、思考、行动、观察四大能力协同形成的闭环。理解了闭环，就理解了 Agent。"
0.3 从 Chatbot 到 Agent：三次进化
AI 和人类的交互方式经历了三次重大进化，每一次都解锁了全新的能力维度。理解这三次进化，你就能理解为什么 Agent 是当前 AI 应用最前沿的方向——它不是 ChatBot 的"升级版"，而是一个全新的物种。
第一代：纯聊天（ChatOnly）
第一代 · 2022-2023 💬 纯聊天（ChatOnly）—— 只能对话，不能行动
代表产品：ChatGPT 早期版本。这一代的 AI 只有一个能力——生成文本。它能和你聊天、写文章、翻译、回答问题，但所有回答都基于训练时的历史数据。它不能查实时天气、不能调用 API、不能执行代码、不能帮你订机票。它只是一个"会说话的通识教程"。
**核心限制：**没有行动能力，只能"想"不能"做"。训练数据截止后，所有实时信息都是猜测。回答质量完全取决于训练数据和 Prompt 质量。
👤 用户
北京今天天气怎么样？ 🤖 ChatGPT (早期)
我无法提供实时天气信息，因为我的数据只更新到 2023 年。建议你查看天气预报网站或 App 获取北京今天的天气。 ❌ 没有行动能力，只能建议用户自己去查
第二代 · 2023-2024 🔧 +工具（Tool-Enabled）—— 能查天气、能搜网页
代表能力：Function Calling。这一代 AI 获得了行动能力——它可以调用外部工具了！你说"北京天气怎么样"，AI 不再说"我查不了"，而是主动调用天气 API 获取实时数据，然后基于数据回答你。它还能搜索网页、计算数学表达式、查询数据库。
**核心突破：**从"只能想"进化到"能做"——Function Calling 让 AI 能输出结构化的函数调用 JSON，开发者代码执行后把结果注入回 AI 继续对话。但这一代 AI 仍是"一问一答"模式——用户问一次，AI 调一次工具，回答一次。它不能自主规划多步任务。
👤 用户
北京今天天气怎么样？ 🤖 Tool-Enabled AI
⚡ 调用工具：get_weather(city="北京")
📊 工具返回：晴，28°C，湿度 45%
北京今天晴，28°C，湿度 45%，适合户外活动。 ✅ 能调用工具获取实时数据，但仍是单步调用
第三代 · 2024-2026 🤖 +循环+记忆（ReAct Agent）—— 自主规划、多步执行、持续记忆
代表架构：ReAct Agent。这一代 AI 获得了自主决策能力——它不再只是"用户问一次，我做一次"，而是自己规划任务、多步执行、观察结果、自动纠错。你说"帮我安排明天的北京旅行"，Agent 会自己拆解任务：查天气→查景点→查路线→查酒店→综合推荐。
核心突破：三个关键能力叠加——①循环决策（Thought→Action→Observation 循环，不是一问一答）；②自主规划（自动拆解复杂任务为多步子任务）；③持续记忆（短期记忆保持当前任务上下文，长期记忆跨会话积累经验）。Agent 不再是"工具"，而是"助手"。
👤 用户
帮我安排明天去北京的旅行计划 🤖 ReAct Agent
**🧠 **思考：安排旅行需要查天气、景点、路线、酒店，我来逐步规划。
⚡ 行动1：get_weather(city="北京", date="明天")
👀 **观察1：**晴，28°C，适合出行
⚡ 行动2：search(query="北京热门景点推荐")
👀 **观察2：**故宫、长城、颐和园排名前三
⚡ 行动3：search(query="故宫到长城最优路线")
👀 **观察3：**地铁2号线→8号线，约1小时 **🧠 **思考：综合以上信息，我来生成完整旅行计划。
✅ 自主规划多步任务，循环调用工具，综合分析给出完整方案
📊 三次进化能力对比 | 能力维度 | 第一代 💬 | 第二代 🔧 | 第三代 🤖 | | --- | --- | --- | --- | | 对话能力 | ✅ 基础对话 | ✅ 基础对话 | ✅ 基础对话 | | 工具调用 | ❌ 不能 | ✅ 单步调用 | ✅ 多步循环调用 | | 自主规划 | ❌ 不能 | ❌ 一问一答 | ✅ 自动拆解多步任务 | | 自我纠错 | ❌ 不能 | ❌ 不能 | ✅ 观察后调整策略 | | 持续记忆 | ❌ 仅当前对话 | ❌ 仅当前对话 | ✅ 短期+长期记忆 | | 实时数据 | ❌ 只有训练数据 | ✅ 可调用API | ✅ 多API协同调用 | "从 ChatBot 到 Agent，不是升级，是进化。第一代只会说话，第二代能动手，第三代会思考、会规划、会纠错——它不再是工具，而是助手。" 📋 八股总结 — 面试高频考点
Q1: Agent 和 ChatBot 的核心区别是什么？
ChatBot只能基于训练数据生成文本回答，无法与外部世界交互。Agent具备四大能力域——感知（接收输入）、思考（推理规划）、行动（调用工具）、观察（评估纠错），能自主决策、多步执行、自我纠错。核心区别在于行动能力和循环决策能力：ChatBot 是"一问一答"，Agent 是"感知→思考→行动→观察→再思考"的闭环。
Q2: Token 是什么？为什么中英文 Token 数不同？
Token 是大语言模型处理文本的最小单位，由分词器（Tokenizer）根据 BPE 算法切分。中英文 Token 数不同是因为主流模型的词表以英文为核心：英文通常 1 词 ≈ 1-1.3 Token，而中文 1 字 ≈ 1.5-2 Token。这导致同样长度的中文比英文消耗更多 Token，费用也更高。实际开发中需要考虑这个差异来估算成本。
Q3: System Prompt 和 User Prompt 的区别是什么？
System Prompt 设定模型的角色、行为规则和全局约束，在整个对话中持续生效，像一份"工作手册"。User Prompt 是用户每次具体的请求，表达"我要什么"。System Prompt 决定"怎么做"，User Prompt 决定"做什么"。在 API 调用中，它们分别对应 role="system" 和 role="user" 的消息。
Q4: CoT（链式思考）如何提升推理能力？
CoT 通过要求模型"一步步推理"而非直接输出答案，让模型在生成最终答案前先产出中间推理步骤。这有两个好处：①扩展了推理空间——每生成一步推理就为下一步提供了更多上下文，降低了单步推理难度；②减少了错误传播——中间步骤可以自我检查，避免一步错步步错。研究表明 CoT 在数学推理上能提升 15-30% 的准确率。核心用法是在 Prompt 中加入"Let's think step by step"或"请一步步推理"。
Q5: Embedding 的作用是什么？怎么计算语义相似度？
Embedding 将文本转换为高维向量（通常 768-3072 维），使语义相近的文本在向量空间中距离也近。它是语义搜索和 RAG 的基础。计算语义相似度最常用的是余弦相似度（衡量向量方向一致性，范围 [-1,1]，值越大越相似），此外还有欧氏距离（衡量绝对距离）和点积（同时考虑方向和大小）。在 RAG 系统中，用户问题和文档都经过 Embedding 后，用余弦相似度找到最相关的文档片段。
Q6: Function Calling 的底层原理是什么？
Function Calling 的本质是LLM 经过训练后能输出结构化的函数调用 JSON。训练阶段，模型学习了大量"用户意图→函数调用"的样本；推理阶段，模型根据用户消息和可用工具列表，判断是否需要调用工具，如果需要则输出符合 JSON Schema 的函数名和参数。需要注意的是：LLM 只负责"决定"调用什么，不负责"执行"。执行由开发者的代码完成，结果再注入回 LLM 继续对话。strict 模式可以强制模型 100% 遵守 Schema，减少格式错误。
Q7: 什么是上下文窗口？窗口满了怎么处理？
上下文窗口是模型一次能处理的最大 Token 数量（输入+输出）。窗口满了有四种处理策略：①截断策略——保留最新的消息，截断最早的历史；②摘要策略——用 LLM 把旧对话压缩成摘要，释放空间；③向量检索策略——将历史对话存入向量库，按需检索相关片段注入；④滑动窗口——维护固定长度的对话窗口，旧消息自动移出。Agent 系统通常组合使用摘要 + 向量检索。
Q8: 从 ChatBot 到 Agent 经历了哪三次进化？
三次进化：①第一代纯聊天（2022-2023，ChatGPT 早期）——只能对话，所有回答基于训练数据，无法获取实时信息；②第二代+工具（2023-2024，Function Calling）——能调用外部 API 获取实时数据，但仍是一问一答模式；③第三代+循环+记忆（2024-2026，ReAct Agent）——自主规划多步任务、循环调用工具、自我纠错、持续记忆。每次进化都解锁了全新的能力维度。
Q9: Self-Consistency 的原理是什么？
Self-Consistency（自一致性）是对 CoT 的增强：对同一个问题用 CoT 生成多个推理路径（通过设置 temperature > 0 多次采样），然后对所有答案进行多数投票（Majority Voting），选择出现次数最多的答案作为最终结果。原理是：正确的推理路径更可能收敛到同一个答案，而错误路径更可能发散。代价是需要多次 LLM 调用，成本是单次 CoT 的 N 倍（N 为采样次数，通常 5-10 次），适用于有确定答案的推理任务。
Q10: 主流 Embedding 模型有哪些？怎么选型？
主流模型包括：OpenAI 的 text-embedding-3-small/large（通用性好、API 方便）、智源的 bge-large-zh/bge-m3（开源、中文优秀、长文本支持）、text2vec-base-chinese（轻量中文专用）、Cohere embed-v3（企业级）。选型考虑三个维度：①语言——中文场景优先 bge 系列；②成本——开源模型免费但需自建服务，闭源按 Token 付费；③精度——维度越高精度越好但存储和计算成本也越高。一般推荐 bge-m3 做起步。
Q11: ReAct 能不能处理 CoT 处理不了的任务？
能。CoT 只能做"纯推理"，无法与外部世界交互——如果问题需要实时数据（如天气、股价）或外部计算（如精确数学运算），CoT 就无能为力了。ReAct 在 CoT 的推理链中插入了"行动"环节，允许 LLM 调用工具获取信息或执行操作，然后将工具返回的结果作为新的"观察"继续推理。这使得 ReAct 能处理需要工具辅助的复杂任务，如"北京明天会下雨吗"（需要调用天气 API）。但 ReAct 的代价是 Token 消耗更多、延迟更高、实现更复杂。
Q12: 深度学习 vs Agent 的区别？Agent 比纯 LLM 多了什么？
深度学习是训练模型的方法学（神经网络、反向传播），解决"模型怎么学"的问题。LLM是深度学习的产物，解决"语言理解和生成"的问题。Agent是基于 LLM 的应用架构，解决"如何使用 LLM 完成复杂任务"的问题。Agent 比纯 LLM 多了四个核心模块：①记忆系统（短期+长期，跨会话上下文）；②规划能力（任务拆解、多步执行）；③工具调用（Function Calling，与外部世界交互）；④反思机制（自我纠错、持续优化）。纯 LLM 是"大脑"，Agent 是"大脑+手脚+记忆"。
0.4 能力矩阵与学习路径
AI Agent 涉及的技术栈非常广——从 LLM 原理到 Prompt 工程，从 Function Calling 到 MCP 协议，从 RAG 到多 Agent 协作。不同角色的学习重点不同，本节提供能力矩阵和学习路径帮你高效入门。
0.4.1 角色能力矩阵
🎯 不同角色的学习重点 | 角色 | 必须掌握 | 建议了解 | 可选深入 | | --- | --- | --- | --- | | 应用开发者 | ch01-02 LLM基础、ch03 Agent架构、ch06 工具调用、ch08 Skills | ch07 MCP、ch13 Dify/Coze、ch16 RAG | ch12 框架对比、ch19 部署 | | 平台工程师 | ch05 记忆系统、ch09 工具调用、ch22 部署、ch23 推理框架 | ch07 MCP、ch18 安全、ch22 Harness | ch21 运行时沙箱、ch14 CLI Agent | | 架构师 | ch04 推理引擎、ch06 决策中枢、ch07 运行时、ch08 Harness、ch13 多Agent、ch15 框架对比 | ch17 评估、ch18 安全、ch19 部署 | ch11 LangGraph、ch21 运行时 | | AI 产品经理 | ch01-02 LLM基础、ch02 Agent概念、ch13 Dify/Coze | ch16 RAG、ch17 评估、ch22 Harness | ch09 CLI、ch15 GUI Agent | ### 0.4.2 四周学习路径
📅 28 天 Agent 开发入门路线
第 1 周：基础概念（ch00-ch04）
Day 1-2：阅读 ch00-ch01，理解 LLM 基本原理（Token、上下文窗口、温度）
Day 3-4：阅读 ch02-ch03，理解 Agent = LLM + 工具 + 循环，动手跑天气 Agent
Day 5-7：阅读 ch04，理解 ReAct 模式（推理+行动循环），完成 ReAct 练习
第 2 周：核心能力（ch05-ch08）
Day 8-10：阅读 ch05-ch06，理解记忆系统和工具调用，实现带记忆的 Agent
Day 11-12：阅读 ch07，理解 MCP 协议，跑通 MCP Server 示例
Day 13-14：阅读 ch08，理解 Skills 体系，定义自己的 Skill
第 3 周：进阶实战（ch09-ch16）
Day 15-17：阅读 ch09-ch10，理解 CLI Agent 和多 Agent 协作
Day 18-19：阅读 ch11-ch12，对比 LangChain/LangGraph/AutoGen/CrewAI
Day 20-21：阅读 ch13-ch16，尝试 Dify/Coze 低代码平台，理解 RAG 检索
第 4 周：工程化（ch17-ch23）
Day 22-23：阅读 ch17-ch18，掌握 Agent 评估方法和安全防护
Day 24-25：阅读 ch19-ch20，学习 Agent 部署和推理优化
Day 26-28：阅读 ch21-ch23，理解运行时沙箱、Harness Engineering 和未来展望