拆解AI Agent的四大核心模块：感知→思考→行动→记忆，缺一不可！🔧

导读：上一期我们搞清楚了AI Agent、传统AI和ChatGPT的区别。今天我们要深入Agent内部，像拆手表一样，把它的每一个核心模块拆开来仔细看。搞懂这四个模块，你就掌握了Agent开发的底层密码！🔑

---

一、开篇：Agent的"身体构造" 🏗️

还记得上期提到的Agent核心公式吗？

AI Agent = 大模型（大脑）🧠 + 工具（手脚）🦾 + 记忆（经验）📝 + 规划（策略）🗺️

今天我们把这个公式展开，详细拆解每一个模块的内部构造。

先看全景图：

💡 核心理解：Agent的工作就是一个无限循环 —— 感知环境 → 思考决策 → 采取行动 → 观察结果 → 再思考… 直到任务完成。

---

二、模块一：感知模块 👁️ —— Agent的"眼睛和耳朵"

2.1 什么是感知模块？

感知模块负责接收和理解来自外部世界的信息。就像人的眼睛和耳朵一样，它让Agent能够"看到"和"听到"用户的需求和环境变化。

2.2 感知的三种类型

感知类型	输入来源	处理方式	应用场景
📝 文本感知	用户输入的文字	LLM直接理解	对话、问答、指令
🖼️ 视觉感知	图片、视频、截图	多模态模型解析	UI理解、文档分析
📊 结构化感知	API返回、数据库查询结果	数据解析+理解	数据分析、监控

2.3 感知的关键挑战

🔹 挑战一：信息过载

用户可能丢过来一大段文字、几张图片、一个Excel文件。Agent需要快速提取关键信息，过滤掉噪音。

🔹 挑战二：意图识别

用户说"帮我处理一下那个东西"——"那个东西"是什么？"处理"是什么意思？感知模块需要准确理解用户的真实意图。

🔹 挑战三：多模态融合

当用户同时发送文字+图片时，Agent需要将两种信息融合理解，而不是分开处理。

2.4 代码示例：感知模块实现

from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI

# 多模态感知：同时处理文字和图片
llm = ChatOpenAI(model="gpt-4o")

# 用户发送了一张截图 + 一段文字
message = HumanMessage(
    content=[
        {"type": "text", "text": "这个报错是什么意思？怎么解决？"},
        {"type": "image_url", "image_url": {"url": "screenshot.png"}}
    ]
)

response = llm.invoke([message])
# Agent "看到" 了截图中的错误信息，并 "理解" 了用户的问题

⭐ 重点：感知模块的核心不是"接收数据"，而是**“理解数据”**。同样的数据，理解深度不同，Agent的能力天差地别。

---

三、模块二：思考模块 🧠 —— Agent的"大脑"

3.1 思考模块的核心：大语言模型（LLM）

思考模块是Agent的核心中的核心，它由大语言模型驱动。所有的理解、推理、规划、决策都在这里完成。

3.2 思考的三种模式

模式	英文	原理	适用场景	示例
🚀 快速思考	System 1	直觉式，直接给出答案	简单问题	“1+1=?” → “2”
🐢 深度思考	System 2	逐步推理，逻辑分析	复杂问题	数学证明、代码Debug
🎨 创造思考	Creative	发散思维，生成新方案	创意任务	写文章、设计方案

3.3 思考模块的核心技术

🔹 技术一：Chain of Thought（CoT，思维链）

让模型一步步思考，而不是直接跳到答案：

用户：一个水池有进水管和出水管，进水管每小时注水3立方米...

❌ 直接回答（容易出错）：
"答案是12小时"

✅ CoT思考（更准确）：
"让我一步步分析：
Step 1: 进水速度 = 3m³/h
Step 2: 出水速度 = 2m³/h  
Step 3: 净进水速度 = 3-2 = 1m³/h
Step 4: 水池容量 = 12m³
Step 5: 所需时间 = 12/1 = 12小时"

🔹 技术二：ReAct（推理+行动）

将**思考（Reasoning）和行动（Acting）**交织在一起：

# ReAct 模式的思考过程示例
thought_1 = "用户想要分析股价，我需要先获取数据"
action_1 = "调用 web_search('特斯拉股价 最近一个月')"
observation_1 = "获取到30天的股价数据..."

thought_2 = "数据已获取，接下来生成走势图"
action_2 = "调用 code_executor('生成股价走势图代码')"
observation_2 = "图表已生成..."

thought_3 = "现在可以综合分析并给出建议了"
action_3 = "生成分析报告"

🔹 技术三：Reflection（反思）

Agent在执行过程中审视自己的输出，发现错误并自我纠正：

Agent初始回答：特斯拉股价上涨了20%
   ↓ [反思]
Agent自检：等等，让我重新核实数据...
   ↓ [重新计算]
Agent修正回答：根据最新数据，特斯拉股价实际上涨了8.3%，
              主要受Q3财报超预期影响

🔑 关键洞察：思考模块的质量直接决定了Agent的智能程度。同样的工具，不同的思考模式，效果天差地别。

3.4 思考模块的配置示例

from langchain_openai import ChatOpenAI

# 配置思考模块
llm = ChatOpenAI(
    model="gpt-4o",           # 选择"大脑"
    temperature=0.7,          # 控制创造性（0=严谨，1=发散）
    max_tokens=4096,          # 思考的"长度限制"
)

# 通过System Prompt塑造思考方式
system_prompt = """你是一个严谨的数据分析Agent。
请遵循以下思考框架：
1. 先理解用户的核心需求
2. 列出需要获取的数据
3. 选择合适的工具
4. 执行并验证结果
5. 给出有数据支撑的结论"""

---

四、模块三：行动模块 🦾 —— Agent的"手和脚"

4.1 行动模块是什么？

行动模块让Agent从"纸上谈兵"变成"真正做事"。它通过**调用工具（Tools）**来与外部世界交互。

4.2 工具的类型大全

工具类型	功能	典型示例	使用频率
🔍 信息获取	搜索、查询	搜索引擎、数据库查询	⭐⭐⭐⭐⭐
💻 代码执行	运行代码	Python解释器、SQL执行器	⭐⭐⭐⭐
📁 文件操作	读写文件	文件读写、PDF解析	⭐⭐⭐⭐
🌐 API调用	调用外部服务	天气API、邮件发送	⭐⭐⭐⭐
🖥️ 系统操作	控制计算机	鼠标点击、键盘输入	⭐⭐⭐
📊 数据计算	精确计算	计算器、统计分析	⭐⭐⭐

4.3 工具定义的标准格式

在LangChain中，工具使用@tool装饰器定义：

from langchain.tools import tool

@tool
def web_search(query: str) -> str:
    """搜索互联网获取最新信息。当需要查询实时数据时使用此工具。
    
    Args:
        query: 搜索关键词
    """
    # 实际的搜索逻辑
    results = search_engine.search(query)
    return format_results(results)

@tool  
def execute_python(code: str) -> str:
    """执行Python代码并返回结果。当需要进行计算或数据处理时使用。
    
    Args:
        code: 要执行的Python代码
    """
    result = exec(code)
    return str(result)

⭐ 重点：工具的描述（docstring）非常重要！Agent是通过阅读工具描述来决定什么时候用哪个工具的。描述写得不好，Agent就选不对工具。

4.4 行动模块的执行流程

4.5 工具调用的常见陷阱

陷阱	描述	解决方案
🔴 工具选择错误	Agent选了一个不合适的工具	优化工具描述，让意图更明确
🔴 参数传递错误	传给工具的参数格式不对	在docstring中明确参数格式
🔴 无限循环	Agent反复调用同一个工具	设置最大迭代次数
🔴 错误处理缺失	工具报错后Agent不知道怎么办	添加错误处理和重试机制

---

五、模块四：记忆模块 💾 —— Agent的"经验库"

5.1 为什么Agent需要记忆？

想象一下，你跟一个失忆的人合作：

• 每次都要重新介绍自己 😩
• 每次都要重复之前的讨论 😩
• 犯过的错误会一犯再犯 😩

没有记忆的Agent也一样！ 记忆模块让Agent能够：

• ✅ 记住对话上下文
• ✅ 积累历史经验
• ✅ 从错误中学习
• ✅ 提供个性化服务

5.2 记忆的三种类型

记忆类型	类比	存储内容	存储方式	生命周期
📌 短期记忆	工作记忆	当前对话的上下文	消息列表	单次会话
📚 长期记忆	人生记忆	历史对话、学到的知识	向量数据库	永久存储
🧬 程序记忆	肌肉记忆	工具使用方法、行为规则	代码/配置	永久固定

5.3 短期记忆实现

from langgraph.graph.message import add_messages
from typing import Annotated

# 滑动窗口：只保留最近20轮对话（40条消息）
MAX_MESSAGES = 40

def _windowed_messages(old, new):
    """短期记忆：滑动窗口机制"""
    return add_messages(old, new)[-MAX_MESSAGES:]

5.4 长期记忆实现

from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 长期记忆：向量数据库存储
vectorstore = Chroma(
    collection_name="agent_memory",
    embedding_function=OpenAIEmbeddings()
)

# 存入记忆
def save_to_memory(agent_id, experience):
    vectorstore.add_texts(
        texts=[experience],
        metadatas=[{"agent_id": agent_id, "type": "experience"}]
    )

# 检索记忆
def recall_from_memory(query, agent_id):
    results = vectorstore.similarity_search(
        query=query, 
        k=5,  # 检索最相关的5条记忆
    )
    return results

🔑 记忆模块的核心价值：让Agent从"一次性工具"变成"越用越聪明的伙伴"。

---

六、四大模块的协同工作：一个完整的例子 🎬

让我们通过一个完整的例子，看看四大模块如何协同工作：

📋 任务：“帮我查一下明天北京的天气，如果下雨就提醒我带伞”

各模块分工表

步骤	负责模块	具体动作
1	👁️ 感知	接收用户文字，理解意图
2	🧠 思考	分析需求，制定执行计划
3	💾 记忆	检索用户历史偏好
4	🦾 行动	调用天气API查询数据
5	🧠 思考	分析结果，判断是否下雨
6	🦾 行动	发送提醒通知
7	💾 记忆	记录本次交互经验

---

七、四大模块的配置对比表 📊

模块	核心组件	可选方案	推荐配置	成本
👁️ 感知	输入解析器	文本/多模态/语音	多模态（GPT-4o）	💰💰💰
🧠 思考	大语言模型	GPT-4o/Claude/DeepSeek	GPT-4o或DeepSeek	💰💰💰💰
🦾 行动	工具集	搜索/代码/API/文件	按需配置	💰💰
💾 记忆	存储系统	Redis/向量DB/文件	Chroma+Redis	💰💰

💡 成本优化建议：思考模块是最大的成本来源（LLM调用费用），建议对简单任务使用轻量模型，复杂任务才用高级模型。

---

八、本期小结 📝

模块	核心职责	关键技术	一句话总结
👁️ 感知	接收和理解信息	多模态、意图识别	Agent的"眼睛和耳朵"
🧠 思考	推理和决策	CoT、ReAct、Reflection	Agent的"大脑"
🦾 行动	执行具体操作	工具调用、API集成	Agent的"手和脚"
💾 记忆	存储和检索经验	向量DB、滑动窗口	Agent的"经验库"

🔥 记住：四个模块缺一不可！没有感知，Agent是"瞎子"；没有思考，Agent是"木头"；没有行动，Agent是"纸上谈兵"；没有记忆，Agent是"金鱼"。

---

📢 下期预告：《手把手搭建你的第一个Agent：用LangChain 10分钟跑通"会说话的助手"》—— 理论够了，该动手了！下期带你从零开始，一步步搭建一个真正能跑的Agent！💻

---

📌 三连走起！点赞+收藏+关注，学习Agent不迷路！ 💪

📚 专栏第3/24期，持续更新中…

作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。

👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容