AI Agent全栈应用开发系列 - Agent的运行流程讲解

不废话，直接开干1/3/2

这次我们来了解下大语言模型（LLM）到RAG再到AI agent的技术演进过程，了解三者之间的关系与作用，以及如何通过引入RAG和工具调用提升模型对外界环境的感知与交互能力。
并通过手动模拟展示了AI agent的运行流程，更深刻的理解其过程。

大语言模型（LLM）的局限性

• 定义与功能
  • 大语言模型提供强大的语言理解与生成能力。
  • 能根据用户提问生成内容，是构建复杂AI系统的基础。
• 主要缺陷
  • 对训练数据中不存在的问题，可能无法回答或一本正经的胡编乱造（幻觉）。

RAG（检索增强生成）

• RAG全称
  • 索引增强搜索（Retrieval-Augmented Generation）。
• 解决思路
  • 对于未知问题先进行检索（如数据库或联网搜索）。
  • 将检索结果与问题一同输入大语言模型。
  • 模型结合训练数据与检索内容生成回答。
• 功能特点
  • 结合信息检索与生成式模型。
  • 提供更准确、信息丰富、专业、更垂直的输出。

RAG的局限与智能体（Agent）

• RAG的不足
  • 无法获取知识库中不存在的信息（如实时天气、IP定位等）。
  • 知识库的也不是实时的，动态的。需要人去维护的，但是更多情况我们需要外部能力（如第三方SDK、自己系统提供的一些功能）
• 智能体（Agent）的定义
  • 能感知环境并做出响应的程序或设备（具有思考、规划、决策、执行的能力）。
  • 可以是软件程序或机器人。
• 核心能力
  • 基于大语言模型进行自然语言处理。
  • 利用RAG技术获取知识。
  • 调用工具与外界环境交互（这一点也是与RAG的区别）。

Agent的运行机制与架构

（图片来自网络）

• 基本流程

  • 用户输入问题 → 模型判断是否需要调用工具 → 生成工具参数 → 调用工具 → 返回结果 → 模型生成最终回答。
  • 上述调用工具 → … →执行工具得到结果，这个过程可能多次反复进行（参考上图）

• 核心组件

  • 记忆：可记录短期和长期对话内容。
  • 规划：将任务拆解为多个子目标并决定什么时候使用什么工具。
  • 工具：与外部环境交互的接口（能力提供）。

• 执行流程

  • 若无法直接回答 → 调用工具 → 获取结果 → 再次判断是否可输出答案 → 否则继续调用工具。

• 多Agent协作

  • Agent之间也可互相协作，一个Agent可作为另一个Agent的工具。

Agent架构示意图与手动模拟演示

复制一下，再看一遍

（图片来自网络）

• 架构图展示
  • 中间为Agent核心，包含大语言模型。
  • 周围包括记忆、规划、工具等模块。
• 手动模拟流程（为了梳理流程，仅供参考，可配合上图进行消化）
  • 构建提示词（Prompt）：
    • 定义角色：你是阿里大模型团队开发的聊天机器人。
    • 描述可用工具及其参数（如天气查询、IP定位、数学计算）。
    • 规定调用工具时的输出格式（JSON格式）。方便进行解析。
  • 用户提问：请查询IP地址为113.116.189.101所在的地区。
  • 大语言模型返回调用get_ip_location函数的JSON格式。
  • 手动调用工具，返回结果为“广东省广州市”。
  • 将结果附加至提示词中，再次输入大语言模型。
  • 最终输出正确回答：“IP地址113.116.189.101所在的地区是广东省广州市。”

推开窗，是别人的车马喧嚣；关上门，才是自家的月光皎洁。在属于自己的节奏里泡茶、读书、慢慢行走，力量，自会在不言中生长。 耐得寂寞蓄力气，终有一朝破土鸣。