AI Agent 运行机制浅谈

基于对 Claude Code 实际通信过程的完整拆解，用通俗语言解释 AI Agent 是如何工作的。

---

一、先理解"普通 AI"和"AI Agent"的区别

普通 AI 聊天

你问 → AI 答 → 结束

就像一个只能动嘴的朋友。你问"今天天气怎么样"，它只能说"抱歉，我不知道实时天气"。它的知识截止到训练那天，之后发生的事一概不知。

AI Agent

你问 → AI 思考 → AI 动手（查资料/写文件/搜网页）→ 看到结果 → AI 再思考 → 回答你

就像一个既有脑子又有手的助手。你问"今天天气怎么样"，它会自己去搜索，看到搜索结果后，再整理成答案告诉你。

核心区别：Agent 能使用工具，能观察结果，能多步推理。

---

二、AI Agent 的核心循环

Agent 的运行本质上是一个不断重复的循环：

        ┌──────────────────────────────┐
        │                              │
        ▼                              │
   ┌─────────┐    ┌─────────┐    ┌──────────┐
   │  思考   │ → │  行动   │ → │  观察结果 │
   │ (Think) │    │  (Act)  │    │ (Observe) │
   └─────────┘    └─────────┘    └──────────┘
        │                              │
        └──────────────────────────────┘
                 （如果任务没完成，继续循环）

用我们分析过的真实例子来说明。

---

三、实例一：文件创建任务（简单循环）

用户说：“创建 test.txt，内容是’创建文件测试’”

第 1 步：思考（Think）

AI 看到这句话，在"脑子里"想：

“用户要我创建一个文本文件，名叫 test.txt，内容是’创建文件测试’。我可以调用 Write 工具来完成这件事。文件应该放在工作目录下。”

注意：这段话你看不到——它是 AI 的内部思考过程（对应我们抓包中看到的 thinking_delta）。

思考之后，AI 做了一个决定：调用 Write 工具。

第 2 步：行动（Act）

AI 输出一个工具调用指令（不是给你看的文本）：

{
  "工具名": "Write",
  "参数": {
    "文件路径": "/桌面/catch-test/test.txt",
    "内容": "创建文件测试"
  }
}

这就是我们抓包中看到的 tool_use 块。此时 AI 没有输出任何文本给你。

第 3 步：观察结果（Observe）

Claude Code 在本地执行 Write 工具——真的在你的电脑上创建了那个文件。然后告诉 AI：

“文件创建成功，路径是 /桌面/catch-test/test.txt”

这就是我们看到的 tool_result 消息。

第 4 步：再次思考（Think again）

AI 收到结果后想：

“文件创建成功了，我该告诉用户一声。”

第 5 步：输出回复

“文件 test.txt 已创建，内容为’创建文件测试’。”

循环结束。 因为任务完成了（stop_reason: end_turn）。

---

四、实例二：天气查询（稍复杂的循环）

用户说：“查询今天天气信息”

第一轮循环

思考：

“用户要查天气，但我不知道是哪个城市。我是猜一个城市，还是问用户？看用户的系统是中文版 Windows，可能在中国，但还是问清楚比较好。”

行动：输出文本（不是工具调用）：

“请问你想查询哪个城市的天气？”

观察：用户回答"北京"

第二轮循环

思考：

“用户想知道北京今天的天气。今天是 2026 年 6 月 6 日。我应该用 WebSearch 工具搜索。”

行动：输出工具调用：

{
  "工具名": "WebSearch",
  "参数": {
    "query": "北京天气 2026年6月6日 今天"
  }
}

第三轮循环（内部搜索代理）

这里有个关键的设计：搜索不是主 AI 直接做的。Claude Code 启动了一个迷你版 AI 代理，专门负责搜索。

这个迷你代理的特点：

	主 AI	搜索代理
系统提示词	几千字的详细规则	一句话：“你是执行搜索的助手”
可用工具	27 个	1 个（搜索工具）
任务	通用对话	只管搜索

为什么这样设计？ 省钱省资源。每次请求携带 27 个工具定义要消耗约 2 万 tokens，搜索代理只需要一个工具，大幅降低成本。

搜索代理去网上找了 10 条结果，然后自己整理成了一份格式化的天气报告：

“2026年6月6日北京天气：小到中雨转多云，最高20℃，最低12℃…”

观察：主 AI 收到了这份完整的天气报告。

第四轮循环

思考：

“搜索代理已经帮我整理好了天气信息，我直接展示给用户就行，加个数据来源说明。”

行动：输出文本：

“根据搜索结果显示，2026年6月6日北京天气如下：🌧️ 小到中雨转多云…”

循环结束。

---

五、AI Agent 的"大脑"里装了什么？

5.1 系统提示词（System Prompt）—— AI 的"人格"

就是那几千字的规则说明，告诉 AI：

• 你是谁：“你是 Claude Code，一个编程助手”
• 你能做什么：“你可以用工具读写文件、搜索网页、执行命令”
• 你不能做什么：“不要搞破坏、不要拒绝帮助用户”
• 你的工作环境：“用户在 Windows 11 上，工作目录是 xxx”
• 你的记忆系统：“你可以把重要信息存到记忆文件里”

这就像给一个新员工一份详细的岗位说明书。

5.2 工具列表（Tools）—— AI 的"工具箱"

27 个工具，每个都有详细的"使用说明书"：

{
  "工具名": "Write",
  "怎么用": "创建或覆盖文件",
  "需要什么参数": "文件路径（必填）、文件内容（必填）",
  "注意事项": "覆盖已有文件前必须先 Read"
}

AI 在思考的时候，会根据任务需求自己选工具。你不需要告诉它"用 Write 工具"——它自己知道。

5.3 对话历史（Messages）—— AI 的"记忆"

每轮对话都记录在案。如果对话太长，Claude Code 会自动做摘要压缩，保证 AI 不会"忘记"之前的事。

---

六、几个关键设计

6.1 思考过程不展示给用户

你看到的只是 AI 的最终回复。AI 在你背后想了什么（thinking_delta），你是看不到的。

这就像厨师在后厨切菜炒菜，你只看到端上桌的成品。

6.2 缓存机制：降低成本的秘密武器

在我们的抓包分析中：

请求 2（任务）：新增输入 147 tokens，但从缓存读了 21,120 tokens
请求 3（反馈）：新增输入 140 tokens，但从缓存读了 21,248 tokens

那 2 万多个 tokens 主要是工具定义 + 系统提示词。它们每次请求都一样，所以被缓存复用，只花少量新 token 的钱。

这就像你去餐厅点菜，菜单你不用每次重印——一张菜单反复用。

6.3 工具调用和文本回复互斥

在一次响应中，AI 要么输出文本，要么输出工具调用，不会同时输出。

因为逻辑上：AI 需要先"动手"做了什么事，看到结果，然后才能告诉你答案。

6.4 工具执行在本地

Claude Code 不是 AI 帮你在云端创建文件——AI 只是发出指令：“请创建这个文件”。真正创建文件的是你电脑上的 Claude Code 运行时。

AI（云端）  →  发出指令："创建文件！"
Claude Code（本地） →  执行指令：真的写文件
AI（云端）  →  收到结果："好了，文件创建成功"
AI（云端）  →  告诉你："搞定了"

---

七、整体架构图

text

┌─────────────────────────────────────────────────┐
│                    用户                          │
│            "帮我创建 test.txt"                    │
└──────────────────┬──────────────────────────────┘
                   │
                   ▼
┌─────────────────────────────────────────────────┐
│              Claude Code（本地运行时）            │
│                                                  │
│  ┌──────────────────────────────────────────┐   │
│  │         组装请求体                         │   │
│  │  • 系统提示词（你是谁、能做什么）            │   │
│  │  • 工具定义（27个工具的使用说明）            │   │
│  │  • 对话历史（之前聊了什么）                  │   │
│  │  • 用户最新输入                             │   │
│  └──────────────────┬───────────────────────┘   │
│                     │                           │
└─────────────────────┼───────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────┐
│           Anthropic API / DeepSeek API           │
│                                                  │
│  ┌──────────────────────────────────────────┐   │
│  │         AI 模型（大脑）                    │   │
│  │                                          │   │
│  │  1. 阅读系统提示词（理解规则）              │   │
│  │  2. 阅读工具列表（了解能力）                │   │
│  │  3. 阅读对话历史（理解上下文）              │   │
│  │  4. 思考 → 决定行动                       │   │
│  │  5. 返回：文本回复 或 工具调用指令          │   │
│  └──────────────────┬───────────────────────┘   │
│                     │                           │
└─────────────────────┼───────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────┐
│              Claude Code（本地运行时）            │
│                                                  │
│  ┌──────────────────────────────────────────┐   │
│  │  收到响应后：                              │   │
│  │                                          │   │
│  │  有 text_delta？→ 渲染 Markdown 展示给用户  │   │
│  │  有 tool_use？  → 执行工具（读写文件等）     │   │
│  │                  → 把结果加入对话历史        │   │
│  │                  → 再次请求 AI（循环）       │   │
│  └──────────────────────────────────────────┘   │
│                                                  │
└─────────────────────────────────────────────────┘

---

八、一句话总结

AI Agent 的本质就是：一个能使用工具的 AI，在"思考 → 行动 → 观察"的循环中反复运行，直到完成任务。

就像一个有脑子、有手、有眼睛的助手——先想该干什么，然后动手干，干完看看结果，再根据结果决定下一步，直到把事情办成。