AI Agent 完整运行详细流程

AI Agent（智能体）核心本质：带记忆、规划、工具调用、反思闭环的大语言模型，不是单纯问答；能感知目标 → 拆解任务 → 调用能力 → 执行 → 校验结果 → 迭代直到任务完成。
经典架构：感知模块 → 记忆模块 → 规划模块 → 动作/工具模块 → 反思评估模块，形成循环。

一、整体总流程（宏观5大阶段）

1. 任务接收与用户意图解析（感知）
2. 记忆检索，加载上下文（记忆）
3. 任务拆解、制定执行计划（规划）
4. 执行动作：LLM推理 / 调用外部工具（动作）
5. 结果校验、反思、循环迭代或输出最终答案（反思）

循环：如果结果不满足目标 → 回到规划/工具调用，重新执行；达标则终止，返回结果。

二、逐阶段详细拆解（内部完整步骤）

阶段1：任务接收 + 用户意图解析（感知层）

输入来源：用户Prompt、API事件、系统消息、传感器/业务数据

1. 原始输入清洗
   • 去除无效字符、过滤噪声，区分用户指令、约束条件、格式要求、禁止事项。
   • 识别输入类型：自然语言、结构化JSON、文件、图片OCR文本等。
2. 意图识别 & 目标提取
   LLM理解：用户最终目标是什么，附带约束（时间、预算、输出格式、权限限制）。
   > 示例：用户：帮我统计9月订单，排除退款，输出Excel。
   > 目标：统计9月有效订单；约束：剔除退款，输出Excel。
3. 目标可行性判断
   • 判断任务是否需要外部工具（数据库查询、代码执行、联网搜索、文件读写）；
   • 判断是否缺少必要信息 → 主动向用户追问缺失参数。
   • 若任务超出Agent能力范围，直接拒绝并说明原因。

阶段2：记忆模块加载上下文

AI Agent记忆分为三类：短时记忆、长时记忆、实体记忆

1. 短时记忆（对话上下文窗口）
   本次会话历史，保存在Prompt窗口内，本轮推理直接喂给LLM；有token上限，超长会截断。
2. 长时记忆（向量数据库）
   历史会话、过往任务、知识库，通过向量相似度检索召回相关历史信息，压缩后加入上下文，突破窗口限制。
3. 实体记忆
   保存实体信息：用户偏好、业务常量、账号参数、历史结论。

动作：把【用户目标 + 召回记忆 + 系统角色Prompt】合并，组成Agent的上下文Prompt，送入规划模块。

阶段3：规划模块 —— 任务拆解，生成执行计划

规划是Agent最核心能力，区分普通LLM和Agent。常见规划算法：链式思考CoT、思维树ToT、任务分解（Sub-task）、ReAct框架。

1. 整体目标拆分为多个子任务（子步骤）
   把大任务拆成串行/并行小任务，确定执行顺序、每个子任务的输入输出。
   例：统计订单
   • 子任务1：连接订单数据库
   • 子任务2：筛选9月订单
   • 子任务3：过滤退款记录
   • 子任务4：计算汇总指标
   • 子任务5：生成Excel文件
2. 子任务能力匹配
   对每个子任务判断：
   • 仅LLM推理就能完成？
   • 需要调用外部工具（搜索、SQL、Python代码、API）？
3. 规划校验
   检查计划是否存在逻辑冲突、缺少参数、权限不足；如果计划不可行，重新调整或者询问用户。

✅ 输出产物：执行计划（Task List），包含子任务列表、依赖关系、每个步骤预期结果。

阶段4：动作执行模块（LLM推理 + 工具调用）

主流框架：ReAct（Reason+Act，思考一步，行动一步），不是一次性跑完所有计划。
循环执行单个子任务：

1. 根据当前子任务，生成Action（动作指令）
   Agent思考：当前这一步要做什么，构造工具调用参数（function call）。
   工具类型举例：
   • 搜索工具：联网查询实时信息
   • Code Interpreter：运行Python、数据处理
   • SQL工具：查询数据库
   • 文件工具：读写文档、PDF解析
   • API调用：调用第三方业务接口
2. 工具调度器执行调用
   • 参数校验：检查工具入参格式、类型是否合法；
   • 发起工具请求，等待外部返回结果；
   • 捕获异常：网络超时、接口报错、权限错误。
3. 工具返回结果格式化
   将工具原始返回（JSON、日志、表格）整理成自然语言/结构化文本，写入当前上下文。

两种分支：
① 子任务可以LLM直接推理完成 → LLM生成文本结果，不调用工具；
② 必须外部能力 → function call调用工具，拿到返回数据。

阶段5：反思 & 评估模块（Self-Reflection，闭环）

拿到子任务执行结果之后，Agent做自检，这是闭环关键。

1. 结果校验
   对照【子任务目标】检查：本次输出是否满足预期？数据是否完整？有没有错误？
   校验维度：完整性、正确性、格式、是否符合约束条件。
2. 反思推理（Self-critique）
   LLM自我批评：
   • 本次结果有没有漏洞？
   • 是否缺少信息？工具调用参数是否选错？
   • 有没有更好执行路径？
3. 分支判断（最重要的分支）
   • ✅ 子任务完成：保存结果，进入下一个子任务；
   • ❌ 结果错误/不足：
   • 方案A：修正参数，重新调用工具；
   • 方案B：修改执行计划，重新拆解任务；
   • 方案C：信息不足，向用户提问获取更多信息；
   • 🚫 任务失败：终止，返回失败原因。
4. 全部子任务完成 → 汇总最终结果
   合并所有子任务输出，按照用户要求格式整理、润色。
5. 记忆写入
   将本次任务关键结论、重要信息写入长时向量库，供后续Agent会话召回。

阶段6：输出交付，任务结束

把最终答案返回用户，附带引用来源、说明备注；

任务结束标记：Agent判定整体目标已经达成，终止循环。

三、经典ReAct框架 最简运行示例（直观感受）

ReAct = Thought(思考) → Action(动作) → Observation(观察工具返回) → Loop

用户提问：2026年国内新能源汽车销量前三名是哪些？

1. Thought：我没有实时最新数据，需要联网搜索。
2. Action：调用搜索工具，query="2026国内新能源汽车销量排名"
3. Observation：搜索返回对应数据。
4. Thought：拿到数据，整理前三名，核对来源。
5. Action：不需要工具了，整理答案。
6. Observation：结果满足用户需求。
7. Finish：输出答案。

四、Agent内部关键组件清单

五、Agent运行中的常见终止条件

1. 所有子任务全部完成，目标达成（正常结束）
2. Agent判定任务无法完成（缺少信息、无可用工具）
3. 达到最大迭代轮次限制（防止无限死循环）
4. Token耗尽、系统超时、安全拦截触发
5. 用户主动终止任务

六、简易流程图文本版

用户输入
    ↓
意图解析 + 可行性判断 →【信息缺失？→ 询问用户】
    ↓
记忆检索（召回历史信息）
    ↓
规划器：拆解任务，生成执行计划
    ↓
循环（逐个子任务执行）
    ├─ Thought：思考当前步骤怎么做
    ├─ Action：LLM推理 / FunctionCall调用工具
    ├─ Observation：获取工具返回结果
    └─ Reflect：评估结果是否达标
        ├─不达标 → 修改计划/重试工具/询问用户，回到循环
        └─达标 → 保存结果，执行下一个子任务
    ↓
全部子任务完成 → 汇总结果
    ↓
写入长时记忆
    ↓
输出最终答案给用户

七、补充：多Agent运行流程（扩展）

多Agent系统：多个Agent分工协作（规划Agent、工具Agent、校验Agent、写作Agent）

1. 主Agent（调度Agent）接收总任务，拆分并分配子任务给子Agent
2. 各个子Agent独立执行自己的流程
3. 子Agent返回结果给主Agent
4. 主Agent汇总、校验冲突信息，协调修正
5. 主Agent输出最终结果

如果你需要，我可以进一步输出：

1. 可直接导入Obsidian的Markdown版本；
2. Python伪代码实现这个完整Agent流程；
3. 对比 ReAct / ToT / AutoGPT / Plan-and-Solve 不同Agent范式差异；
4. 绘制Mermaid流程图。