独家 60 多张定制可视化图表，助你轻松搞懂 LLM Agent

LLM Agent 正在变得越来越普及，似乎逐渐取代了我们熟悉的“常规”对话型 LLM。这些令人惊叹的能力并非轻易实现，而是需要许多组件协同工作。

本文通过 60 多张定制化可视化图表，带你深入探索 LLM Agent 领域，了解其核心组件，并进一步探讨多代理框架。

什么是 LLM Agent？

要了解 LLM Agent 是什么，我们首先需要探讨 LLM 的基础能力。传统意义上，LLM 的核心功能只是进行下一个 token 的预测。

通过连续采样多个 token，我们可以模拟对话，并利用 LLM 为我们的问题提供更详尽的答案。

然而，当我们继续“对话”时，任何给定的 LLM 都会暴露其主要缺点之一：它无法记住对话内容！

此外，LLM 在许多其他任务上也经常出错，比如基本的数学运算（如乘法和除法）：

这是否意味着 LLM 很糟糕？当然不是！我们并不需要 LLM 具备所有能力，因为我们可以通过外部工具、记忆系统和检索系统来弥补其缺陷。

借助外部系统，LLM 的能力可以得到增强。Anthropic 将这种方式称为“增强型 LLM”（The Augmented LLM）。

例如，当面对一个数学问题时，LLM 可能会选择使用适当的工具（如计算器）。

那么，这种“增强型 LLM”算是一个 Agent 吗？不算，但也可以说稍微算是……

让我们从 Agent 的定义开始：

“一个 Agent 可以被视为通过传感器感知环境，并通过执行器对环境采取行动的任何事物。”
—— Russell & Norvig，《人工智能：一种现代方法》（2016）

Agent 会与环境交互，通常由几个重要组成部分构成：

• Environments（环境） —— Agent 所交互的世界

• Sensors（传感器） —— 用于观察环境

• Actuators（执行器） —— 用于与环境交互的工具

• Effectors（效应器） —— 决定如何从观察到行动的“思维”或规则

这一框架适用于所有与各种环境交互的 Agent，例如机器人与物理环境交互，或 AI Agent 与软件交互。

我们可以稍微泛化这一框架，使其适用于“增强型 LLM”。

通过“增强型 LLM”，Agent 可以通过文本输入观察环境（因为 LLM 通常是基于文本的模型），并通过使用工具（如搜索网络）执行某些操作。

为了选择需要采取的操作，LLM Agent 有一个关键组件：它的规划能力。为此，LLM 需要能够通过链式思维（chain-of-thought）等方法进行“推理”和“思考”。

通过这种推理行为，LLM Agent 可以规划出需要执行的操作。

这种规划行为使 Agent 能够理解当前情境（LLM）、规划下一步行动（规划）、执行操作（工具），并跟踪已采取的行动（记忆）。

根据系统的设计，LLM Agent 可以具有不同程度的自主性。

根据不同的观点，系统越多地依赖 LLM 来决定其行为方式，就越“像 Agent”。

在接下来的章节中，我们将通过 LLM Agent 的三个主要组成部分——记忆、工具和规划，来探讨各种实现自主行为的方法。

记忆

LLM 是遗忘型系统，或者更准确地说，在与其交互时，它并不会执行任何记忆存储的功能。

例如，当你向 LLM 提出一个问题后，再跟进另一个问题，它不会记得之前的问题内容。

我们通常将这种记忆称为短期记忆，也叫工作记忆，它起到一个缓冲区的作用，用于存储（几乎）即时的上下文信息。这包括 LLM Agent 最近执行的操作。

然而，LLM Agent 还需要能够跟踪可能几十步的操作，而不仅仅是最近的行动。

这被称为长期记忆，因为理论上 LLM Agent 可能需要记录几十甚至上百步的操作。

接下来，让我们探讨几种为这些模型提供记忆的方法。

短期记忆

为模型启用短期记忆最直接的方法是利用模型的上下文窗口（context window），也就是 LLM 能够处理的 token 数量。

上下文窗口通常至少为 8192 个 token，有时甚至可以扩展到数十万 token！

较大的上下文窗口可以将完整的对话历史作为输入提示的一部分，从而实现对话跟踪。

只要对话历史能被包含在 LLM 的上下文窗口内，这种方式就是一种模仿记忆的不错方法。然而，与其说是实际记住对话，不如说我们是通过输入“告知” LLM 对话的内容。

对于上下文窗口较小的模型，或者当对话历史过多时，我们可以改用另一个 LLM 来总结迄今为止发生的对话内容。

通过不断总结对话，我们可以使对话内容保持较小的规模。这种方式能够减少 token 的数量，同时只保留最重要的信息。

长期记忆

LLM Agent 的长期记忆包括需要在较长时间内保留的过去操作记录。

一种常见的启用长期记忆的方法是将所有过去的交互、操作和对话存储在一个外部向量数据库中。

构建这样的数据库时，首先需要将对话内容嵌入为能够捕捉其语义的数值表示。

构建数据库后，我们可以将任何给定的提示（prompt）嵌入为向量表示，并通过与数据库中的嵌入向量进行比较，找到最相关的信息。

这种方法通常被称为 Retrieval-Augmented Generation（RAG）。

长期记忆还可以涉及跨会话保留信息。例如，你可能希望 LLM Agent 记住它在之前会话中完成的研究内容。

此外，不同类型的信息可以对应于不同类型的记忆进行存储。在心理学中，有许多记忆类型的划分，而 Cognitive Architectures for Language Agents 论文将其中的四种类型与 LLM Agent 相关联。

这种区分有助于构建具备代理能力的框架。例如，语义记忆（关于世界的事实）可以存储在与工作记忆（当前和最近的情况）不同的数据库中。

工具

工具使 LLM 能够与外部环境（如数据库）进行交互，或者使用外部应用程序（如运行自定义代码）。

工具通常有两种使用场景：一是获取数据以检索最新信息，二是执行操作，比如安排会议或订餐。

为了实际使用某个工具，LLM 需要生成与该工具 API 兼容的文本。我们通常期望生成可以格式化为 JSON 的字符串，这样可以轻松地将其传递给代码解释器。

需要注意的是，这种方式并不限于 JSON，我们还可以直接在代码中调用工具！

你还可以生成供 LLM 使用的自定义函数，例如一个简单的乘法函数。这通常被称为函数调用（function calling）。

一些 LLM 如果提示得足够准确和全面，几乎可以使用任何工具。目前大多数主流的 LLM 都具备这种工具使用能力。

一种更稳定的工具访问方法是通过对 LLM 进行微调（后续会详细介绍这一点！）。

工具的使用可以按照固定的顺序进行（如果代理框架是固定的）……

……也可以由 LLM 自主决定使用哪个工具以及何时使用。像上图中的 LLM Agent，实际上是由一系列 LLM 调用组成的（但具备自主选择操作/工具等的能力）。

换句话说，中间步骤的输出会被反馈回 LLM，以继续后续处理。

Toolformer

工具使用是一种增强 LLM 能力并弥补其缺陷的强大技术。因此，近年来关于工具使用和学习的研究工作发展迅速。

“Tool Learning with Large Language Models: A Survey” 论文图片表明，随着对工具使用的关注不断增加，（Agentic）LLMs 预计将变得更加强大。

这项研究的重点不仅在于通过提示让 LLM 使用工具，还在于专门训练它们如何使用工具。

其中一个最早提出的技术叫做 Toolformer，这是一种能够决定调用哪些 API 以及如何调用的模型。

它通过使用 [ 和 ] 符号来表示调用工具的开始和结束。例如，当给出一个提示 “5 乘以 3 等于多少？” 时，模型会生成令牌，直到遇到 [ 符号为止。

接下来，它会生成令牌直到遇到 → 符号，这表示 LLM 停止生成令牌。

随后，工具会被调用，其输出将被加入到目前为止生成的令牌中。

当遇到 ] 符号时，表示 LLM 可以继续生成后续内容（如果需要）。

Toolformer 通过精心生成包含大量工具使用场景的数据集来实现这种行为。对于每个工具，手动创建一个 few-shot 提示，并用它来采样包含这些工具使用的输出结果。

工具的输出会根据工具使用的正确性、输出结果以及损失降低情况进行过滤。最终生成的数据集被用来训练一个 LLM，使其遵循这种工具使用的格式。

自 Toolformer 发布以来，已经出现了许多令人兴奋的新技术，例如可以使用数千种工具的 LLM（如 ToolLLM）或能够轻松检索最相关工具的 LLM（如 Gorilla）。

无论哪种方式，目前大多数 LLM（截至 2025 年初）都已经被训练得可以通过 JSON 生成轻松调用工具（正如之前提到的那样）。

模型上下文协议（Model Context Protocol，MCP）

工具是 Agentic 框架中的一个重要组件，它允许 LLM 与世界互动并扩展其能力。然而，当你有许多不同的 API 时，启用工具使用变得麻烦，因为任何工具都需要：

• 手动追踪并提供给 LLM

• 手动描述（包括其预期的 JSON 结构）

• 在其 API 发生变化时手动更新

为了使工具在任何给定的 Agentic 框架中更容易实现，Anthropic 开发了模型上下文协议（Model Context Protocol，MCP）。MCP 对天气应用、GitHub 等服务的 API 访问进行了标准化。

它由三个组件构成：

• MCP Host — 管理连接的 LLM 应用程序（例如 Cursor）

• MCP Client — 与 MCP 服务器保持 1:1 的连接

• MCP Server — 为 LLM 提供上下文、工具和功能

例如，假设你想让某个 LLM 应用程序总结你代码仓库中最新的 5 次提交。

MCP Host（与客户端一起）会首先调用 MCP Server，询问有哪些工具可用。

LLM 接收到信息后，可以选择使用某个工具。它通过 Host 向 MCP Server 发送请求，然后接收结果，结果中包括所使用的工具。

最后，LLM 接收到结果，并解析出一个答案返回给用户。

这个框架通过连接到任何 LLM 应用程序都可以使用的 MCP 服务器，使工具的创建变得更加容易。因此，当你创建一个与 Github 交互的 MCP 服务器时，任何支持 MCP 的 LLM 应用程序都可以使用它。

规划

工具的使用可以让 LLM 提升其能力。这些工具通常通过类似 JSON 的请求来调用。

但是，在一个 Agentic 系统中，LLM 如何决定使用哪个工具以及何时使用呢？

这就涉及到了规划。在 LLM Agent 中，规划指的是将给定任务分解为可操作的步骤。

这个计划使模型能够不断反思过去的行为，并在必要时更新当前计划。

为了在 LLM Agent 中实现规划，我们首先需要了解这项技术的基础，即推理。

推理

规划可操作步骤需要复杂的推理行为。因此，在完成任务规划的下一步之前，LLM 必须能够展示出这种行为。

“推理型” LLM 是指那些在回答问题之前倾向于“思考”的模型。

我在这里对“推理”和“思考”这两个词的使用稍微宽松一些，因为我们可以讨论这是否更像是人类的思考过程，还是仅仅将答案分解为结构化的步骤。

这种推理行为大致可以通过两种方式实现：对 LLM 进行微调或特定的提示工程。

通过提示工程，我们可以创建 LLM 应遵循的推理过程示例。提供示例（也称为少量示例提示，few-shot prompting）是一种引导 LLM 行为的绝佳方法。

这种提供思维过程示例的方法被称为思维链（Chain-of-Thought），它能够实现更复杂的推理行为。

即使不提供任何示例（零示例提示，zero-shot prompting），也可以通过简单地说“让我们一步一步来思考”来启用思维链。

在训练 LLM 时，我们可以为其提供包含类似思维过程的足够多的数据集，或者让 LLM 自己发现其思维过程。

一个很好的例子是 DeepSeek-R1，它通过奖励机制来引导思维过程的使用。

推理与行动

在 LLM 中启用推理行为固然很好，但这并不一定使其能够规划出可操作的步骤。

我们目前关注的技术要么展示推理行为，要么通过工具与环境交互。

例如，思维链（Chain-of-Thought）纯粹专注于推理。

最早将这两个过程结合起来的技术之一被称为 ReAct（Reason and Act）。

ReAct 通过精心设计的提示工程来实现这一点。ReAct 提示描述了三个步骤：

• 思考（Thought）- 针对当前情况的推理步骤

• 行动（Action）- 要执行的一组动作（例如，工具）

• 观察（Observation）- 针对行动结果的推理步骤

这个提示本身非常简单明了。

LLM 使用这个提示（可以用作系统提示）来引导其行为，以循环的方式进行思考、行动和观察。

它会持续这种行为，直到某个动作指定返回结果为止。通过不断迭代思考和观察，LLM 可以规划行动、观察输出并相应调整。

因此，与具有预定义和固定步骤的 Agent 相比，这一框架使 LLM 能够表现出更具自主性的代理行为。

反思

没有人，即使是具备 ReAct 的 LLM，也并非每次都能完美完成任务。失败是过程的一部分，只要你能对这个过程进行反思。

这正是 ReAct 所缺少的部分，而 Reflexion 技术弥补了这一不足。Reflexion 是一种利用语言强化来帮助代理从先前失败中学习的技术。

该方法假设了三种 LLM 角色：

• 执行者（Actor）- 根据状态观察选择并执行动作。我们可以使用诸如 Chain-of-Thought 或 ReAct 等方法。

• 评估者（Evaluator）- 对执行者产生的输出进行评分。

• 自我反思（Self-reflection）- 反思执行者采取的动作以及评估者生成的评分。

添加了记忆模块来跟踪动作（短期）和自我反思（长期），帮助代理从错误中学习并识别改进的行动。

一个类似且优雅的技术称为 SELF-REFINE，其中对输出进行优化和生成反馈的动作被反复执行。

同一个 LLM 负责生成初始输出、优化后的输出以及反馈。

“SELF-REFINE: Iterative Refinement with Self-Feedback”论文中的注释图。

有趣的是，这种自我反思行为，无论是 Reflexion 还是 SELF-REFINE，都与强化学习的行为非常相似，即根据输出质量给予奖励。

多代理协作（Multi-Agent Collaboration）

我们探讨的单一代理存在几个问题：工具过多可能使选择变得复杂，上下文变得过于复杂，任务可能需要专业化。

相反，我们可以转向多代理（Multi-Agents），这是一种多个代理（每个代理都可以访问工具、记忆和规划能力）彼此之间以及与环境交互的框架：

这些多代理系统通常由专门的代理组成，每个代理都配备了各自的工具集，并由一个主管（supervisor）进行监督。主管负责管理代理之间的通信，并可以将特定任务分配给专门的代理。

每个代理可能拥有不同类型的工具，但也可能存在不同的记忆系统。

在实践中，有数十种多代理架构，但它们的核心通常包含两个组成部分：

• 代理初始化（Agent Initialization）— 如何创建单个（专门的）代理？

• 代理协调（Agent Orchestration）— 如何协调所有代理？

让我们探索各种有趣的 Multi-Agent 框架，并重点介绍这些组件是如何实现的。

人类行为的交互模拟

可以说，最具影响力且非常酷的多 Agent 论文之一是《生成式代理：人类行为的交互模拟》（Generative Agents: Interactive Simulacra of Human Behavior）。

在这篇论文中，他们创建了能够模拟可信人类行为的计算软件代理，这些代理被称为生成式代理（Generative Agents）。。

赋予每个生成式代理的配置文件使其以独特的方式行为，有助于创造出更有趣和动态的行为。

每个代理在初始化时都配备了三个模块（记忆、规划和反思），这与我们之前在 ReAct 和 Reflexion 中看到的核心组件非常相似。

记忆模块是这个框架中最重要的组件之一。它存储了规划和反思行为，以及迄今为止的所有事件。

对于任何给定的下一步或问题，记忆会被检索出来，并根据其新近性、重要性和相关性进行评分。得分最高的记忆会被共享给 Agent。

《生成式代理：人类行为的交互模拟》论文中的注释图

这些组件共同作用，使 Agent 能够自由地进行行为并相互交互。因此，几乎没有太多的 Agent 协调工作，因为它们并没有特定的目标需要完成。

来自交互演示的注释图

这篇论文中有太多精彩的信息片段，但我想特别强调他们的评估指标。

他们的评估主要以 Agent 行为的可信度为指标，并由人类评估者对其进行评分。

《生成式代理：人类行为的交互模拟》论文中的注释图

它展示了观察、规划和反思在这些生成式代理的表现中是多么重要。正如之前探讨的，没有反思行为，规划是不完整的。

模块化框架

无论你选择哪种框架来创建 Multi-Agent 系统，它们通常都由几个组成部分构成，包括 Agent 的配置文件、对环境的感知、记忆、规划以及可用的动作。

实现这些组件的流行框架包括 AutoGen 17、MetaGPT 18 和 CAMEL 19。然而，每个框架处理 Agent 之间通信的方式略有不同。

以 CAMEL 为例，用户首先创建问题并定义 AI User 和 AI Assistant 角色。AI User 角色代表人类用户，并将引导整个过程。

之后，AI User 和 AI Assistant 将通过相互交互来协作解决查询。

这种角色扮演方法实现了 Agent 之间的协作通信。

AutoGen 和 MetaGPT 的通信方式有所不同，但归根结底都体现了这种协作通信的本质。Agent 有机会相互交流，以更新其当前状态、目标和下一步计划。

在过去的一年里，尤其是最近几周，这些框架的发展呈现爆炸式增长。

2025 年将会是令人无比兴奋的一年，因为这些框架会不断成熟和发展！

结论

到这里，我们关于 LLM Agent 的探索之旅就结束了！希望这篇文章能让你更好地理解 LLM Agent 是如何构建的。

想了解更多与 LLM 相关的可视化内容可以看看我写的书《图解大模型：生成式AI原理与实战》（Hands-On Large Language Models: Language Understanding and Generation）！

中文版预计 4 月底上市