企业官网建设流程全解析

本文深入浅出地介绍了Agent的概念、组成和未来发展趋势，适合小白和程序员学习。Agent是一种能够自主感知环境、做出决策、调用工具并执行任务的系统。文章详细解析了Agent的核心模块，包括大模型、角色与人格、记忆、工具、规划和循环，并探讨了Agent在编程、研究助手、客服与运营、个人助理等领域的应用。最后，文章展望了Agent从文字到全能感知、长任务处理、Agent经济兴起等未来趋势，并提出了可靠性、安全性、就业冲击、信任和责任等挑战和隐忧。Agent是人类智能的延伸，将与我们协作、共生，扩展和放大我们的能力。

什么是 Agent

其实在 Manus 之前就已经有很多类似产品了，比如：

1. 2022 年的论文《ReAct: Synergizing Reasoning and Acting in Language Models》；

2. 然后早期、又出圈的 Agent 的话是 2023 年 3 月的开源项目 Auto-GPT；

但国内的话，还是 Manus 的发布给我们打开了 AI 应用新的视野。

于是我们团队开始马不停蹄的研究如何实现一个 Manus，经过我们研究和讨论发现，Manus 实现起来好像不难？

我们可以预先定义一些工具函数，让模型再做推理的时候选择一个工具，应用层负责执行工具把结果回传给模型，让模型继续推理，直到问题解决：

如果让我们给 Agent 下一个定义，我想可以这么说：

Agent 是一个能够自主感知环境，做出决策，调用工具并执行任务，最终完成目标的任务执行系统

这句话里面的每一个词都很重要（只不过现阶段的要点逐渐变成了构造环境了Harness）：

• 自主：Agent不需要人一步一步的指示，它会根据任务目标自动做决策
• 感知：意味 Agent可以和外部环境通信，可以观察外部环境
• 工具：这个是Agent能够做事的前提，它有什么样的工具，就有了什么样的能力
• 目标：Agent需要围绕用户任务目标而存在，不是在哪里瞎聊天

我们再来看看普通的聊天机器人和 Agent 有什么区别，以 deepseek 来举例 ，在官网网站提供的聊天框里面输入：

帮我整理一下上个月的销售数据，按区域分析一下增长率，做成PPT

Deepseek 会给出一个文本的回答

我没办法直接帮你整理数据或生成PPT文件 但我可以教你一步步整理数据、计算增长率、提炼分析结论 并给你PPT的结构和内容建议。 你需要先提供以下信息......

基座模型更像是一个百科全书，什么都知道，你问它什么，它就回答你什么。

而Agent，我们可以把它比喻成一个数字员工，你给它一个任务，它会自己拆解任务，自己想办法完成任务，比如上面的问题，它会去打开 excel，查看数据，自己写公式 计算增长率，自己做 ppt…

中途它可能回来找你确认一些事情，销售数据的 excel 在哪里，PPT 你喜欢什么风格等等。

这就是 Agent 和 ChatBot 的区别，ChatBot 是被动的对话伙伴，你问一句它回一句，Agent 是主动的任务执行者：

Agent 由什么组成的

如果把一个 Agent 拆开来看，我们可以发现 Agent 其实由几个核心模块组成：

• 大模型：提供基础的语言理解和生成能力，负责处理输入信息并输出推理结果
• 角色与人格：定义Agent的应答风格，身份和行为约束，让输出符合预期场景
• 记忆：包括短期记忆和长期记忆，用于跟踪任务进度和提供个性化响应
• 工具：外部功能的接口和函数
• 规划：将复杂任务分解为可执行的子步骤，用于处理多不推理和流程化的任务
• 循环：控制Agent反复执行的过程，包含思考，工具执行，观察结果等直到任务完成

这些模块共同构成了 Agent 从接收输入到输出结果的完整流程，下面我们对这些核心模块逐一说明：

大模型

Agent的中枢神经，毫无疑问是大语言模型，无论是GPT、Claude、Gemini，还是国内的DeepSeek、通义千问等，它们在Agent中扮演的都是大脑的角色。

这里有一个很关键的点，很多人把大模型理解成了Agent，这里需要明确一下，大模型不是Agent，它是Agent的一部分，大模型它能思考，它是一个百科全书，知道很多事情，但是无法对外部世界产生任何影响。

大模型在Agent中负责三件事情，

• 理解：理解用户的指令、外部环境信息
• 推理：这件事情要怎么做，下一步需要做什么
• 生成：输出文字，代码，工具调用的指令

我们可以理解成大模型是整个Agent系统的指挥官，但是他不会自己做任何事情

角色与人格

你有想过这个问题吗，都是基于Deepseek模型，我们可以开发出不同的Agent产品，有的Agent用来写代码，有的Agent 做客服，有的Agent当陪聊。

它们最核心的区别就是 System Prompt（系统提示词）

我们可以把System Prompt 当做的Agent的出厂基本配置，它会告诉大模型:

你现在是一个资深的Python工程师 你需要保持耐心，永远不要和用户说脏话 遇到不会的问题，你应该回答用户 不确定，而不是编造答案

这个设定，决定了Agent的人格，做事风格，能力边界，一个好的 System Prompt，能让同一个底层模型，演变成无数个不同的Agent。

记忆

人们能够高效的完成工作，很大程度上 是因为我们拥有记忆，今天的我，记得昨天发生的事情，也记得三年前的承诺，记得童年的味道，这些记忆塑造我们的判断和决策，甚至我们的个性。

Agent也需要记忆，因为大模型是健忘的（无状态），它没有任何持久化的记忆，每一次对话都是一次重新的开始，所以Agent需要一套记忆系统。每次新对话就把对应的记忆一起发送给大模型

我们通常把记忆分为2层

• 短期记忆 对应当前对话或任务执行期间的上下文窗口，用于跟踪当前任务步骤，历史变量，中间推理结果等，一旦对话结束短期记忆通常会被清空
• 长期记忆 把重要的信息保存下来，跨对话、跨任务复用，比如用户偏好，项目的关键决策，失败教训等等

实现长期记忆的方式也是五花八门的

• 向量数据库做语义检索（如 Chroma、Pinecone）适合存储原文，模糊匹配，能根据语义相似度召回的相关记忆
• 知识图谱做结构化存储：将记忆表示为实体和关系，能够沿着关系链条一步步查找信息，能够支持精确推理和多跳查询
• 直接写到文件里面
• 摘要式记忆：每次交互后让模型自动生成一段简短摘要，只保存要点，节省存储空间，也方便直接放进对话里。

这些方式并不是单独存在，一般都是混合使用。

Agent的记忆设计目前是做活跃的研究方向之一，是因为它从根本上决定了Agent能否实现成长，从经验中持续学习和改进，同时也决定了Agent能否保持行为的一致性、完成跨长时间尺度的复杂任务，以及在与环境或用户的反复交互中真正沉淀出个性化的智能。

工具

我们常常听到一个比喻，就是大模型是Agent的大脑，工具就是Agent的手脚，没有工具的Agent，就是一个Chatbox。

工具的本质，是一组Agent可以调用的函数，每一个工具有名称，描述，参数，有返回值。Agent在思考过程中，会根据工具的名称和描述来选择合适的工具来帮助完成用户的任务。

常见的工具大致可以分为以下几类:

• 信息获取类：网页搜索、API查询、数据库读取
• 文件操作类：读文件、写文件、列目录
• 代码执行类：运行Python、执行SQL、调用Shell
• 通信类：发邮件、发消息、打电话
• 专业领域类：调用医疗诊断API、调用财务分析模型

工具的丰富程度，直接决定了Agent的能力边界，如果只有一个搜索工具的Agent，那么Agent还是一个百科全书，只能回答问题。而一个能读写文件，操作浏览器的Agent，就具备实际动手能力，可以自动完成任务。

规划

复杂任务不是一蹴而就的。如果你让Agent 去分析 公司去年的财务报表，并给出改进的建议。它不能直接就给你答案，

他需要拆解任务，先要获取财务数据，做关键指标计算，再做同比环比分析，找出问题，再给出建议，最后整理成报告

这种把大任务拆成小步骤，理清先后顺序的能力，我们加它称为规划（Planning），业界探索了很多规划方法，我们把它分为3类

• React （Reasoning + Acting）让模型在每一步都先思考再行动，思考和执行交替执行。
• Plan-and-Solve 模型先把整个计划写出来，然后再逐步执行
• Tree of Thoughts 让模型像下棋一样，同时推演多个可能得路径

每一种方法都各有优劣，也可以把不同的方式组合起来使用，比如 可以先用Plan-and-Solve把步骤都先写出来，然后每一步 都使用React来进行。 核心思想 就是：让Agent在行动之前先思考

循环

上面我们讲了Agent的 大脑，工具，记忆，规划能力，现在还差最后一步，让它们联动起来，这就是我们常说的感知，思考，行动循环，我们也称它为Agent Loop。

Agent Loop 的循环处理流程是这样的：

1、接收用户输入 2、大模型思考，要完成用户的任务要怎么做，调用工具，还是直接回答用户？ 3、如果大模型决定调用工具，Agent就执行模型返回的工具，把工具结果作为添加到模型的消息数据里面，回到第2步 再次让模型判断 4、如果大模型决定输出最终答案，就结束

这个循环可能执行5次就结束了，也有可能会跑500次。它的终止条件可能是任务正常完成，也可能是达到了Agent设置的步数上限，或者Agent自己决定放弃不再执行。

Agent Loop把前面讲将的模型，工具，记忆能力都串联起来，在一个循环中，大模型负责思考推理，决定下一步做什么，如果需要调用工具，则执行工具，将工具结果或者模型的推理输出保存为记忆。

这个看似简单的循环，让Agent从一个回答的工具，变成了一个能持续工作的数字员工。

Agent能干什么

前面我们聊了Agent的实现原理，那么今天，Agent到底能帮我们做些什么呢？

编程Agent

如果要让我们选一个Agent最成熟的应用领域，我觉得毫无疑问就是编程Agent。

Claude Code、Cursor 、CodeX、Trae等工具，从最初的代码补全，逐步发展成能完整完成功能开发的Agent，你只需要给它一个需求，比如:“帮我写一个登录界面，要支持短信验证码登录”，它就会自己读取完整的项目目录，分析技术路径，设计接口，然后写代码，跑测试，自己修改bug。

为什么编程领域的Agent会最先落地

• 编程任务有大量的高质量训练数据，github上几十亿行代码，给模型提供了足够的学习素材
• 编程任务有非常清晰的反馈信号，代码能不能跑通，有没有语法错误，测试是否通过，模型自己就可以判断。
• 程序员天生爱偷懒，自己就会想方设法的搞工具来提高开发效率，只要能完成大部分体力工作，能节省时间，即便部分有错误，他们也愿意接受。
• 很容易搜集反馈数据，比如接受/拒绝代码，可以反补模型训练

研究助手

模型擅长阅读海量文档、总结要点、生成综述，因此天然适合充当研究助手。无论是文献调研、数据整理，还是竞品分析，Agent都能在几分钟内完成人类数小时的工作。

客服与运营

客服和运营，这类自动化流程，才是Agent商业化最大的战场，智能客服，电商的售前和售后，企业内部工作台，工单系统等。

这些场景过去大量依赖员工，后面大部分的工作 都会被Agent接管，这个是真正发生的事情，很多企业都在内部提效，大量使用Agent来提高工作效率。将内部业务系统与Agent打通后，Agent就可以查订单，改地址，发优惠券，审核套餐等。

个人助理

普通人可能更加在乎的是一个个人助理Agent，那种你脑海里想象的，电影里面见过的，帮助你订机票，安排日程，提醒你别忘了 女朋友生日的全能助理，就像前段时间爆火的openclaw，目前这种Agent还没有一个真正成熟的产品，但我相信不久的将来它一定会出现：

这个个人Agent我觉得是最难的，如果要表现很亮眼，它需要打通的工具太多了，你的邮箱，日历，微信，支付宝，以及其他各种你经常使用的App，目前这些都没有对应的工具体系，账号和数据都是不通的，虽然技术上可以实现，但是厂商的壁垒挺高的。

未来的 Agent

从文字到全能感知

今天我们说的Agent 大部分都是处理文字的输入和输出，但是人类的工作不都是文字处理，比如 医生看片子，设计师看图纸，老师要观察学生的表情

未来的Agent，应该同时具备视觉，听觉，操作图形界面的能力，就像Codex的Computer Use一样，它能看懂屏幕，听懂你的话，操作鼠标完成目标任务。

长任务

目前Agent能够很好处理短期任务，几分钟，几十分钟这种，我们更加希望Agent能够在几小时，几天，几周这种长时间的项目里面，能够很稳的完成任务，这个是Agent接下来较大的技术挑战，它涉及到记忆管理，长程规划，错误回复，信息压缩，人与Agent协作等一系列的难题。

Agent经济的兴起

我个人认为最大的变化，会是Agent经济的形成

我们可以想象一下，人人都拥有一个自己的个人助手Agent。

我们不再需要下载各种App，而是订阅Agent，我们个人的Agent会代替我们跟其他Agent打交道，订机票时，我的Agent会自动跟飞猪的Agent、携程的Agent比价，找到最优方案，人工确认后，它就去下单，并拿到订单编号，再调用支付宝的Agent完成支付。

Agent之间通过统一的协议沟通，按调用次数或效果来收费（具体模式有待探索）。

这可能会重构今天的互联网格局，今天的搜索，广告，电商，saas，都建立在人类使用的基础上，如果未来主要的用户是Agent的话，它们又会迎来什么样的变化呢

挑战和隐忧

Agent确实很好，它帮我完成任务，减轻我们的工作负担，但他同时也带来了一些问题

• 可靠性：目前Agent的成功率不够稳定，一个号称95%稳定的可靠的Agent，相当于每20步就有可能出错，这对于金融交易，医疗诊断，工业控制场景，这样的错误率是不能接受的
• 安全性：一个能自主调用工具，执行操作Agent。如果被恶意利用，或者目标偏离，造成的伤害是不可忽视的
• 就业冲击：Agent最先取代的是 哪些重复高，流程化强的信息工作者，客服，程序员，行政，文案等岗位都会收到明显的影响。
• 信任和责任：这个是法律层面的问题，Agent帮你完成一笔错误的投资，谁来负责，Agent发了一封不当的邮件，谁来负责。

结语

最后总结一下，什么是 Agent？

我觉得 Agent 是人类智能的延伸，它不是来取代我们，而是扩展和放大我们的能力，让普通人也能做专家才能做的事情，让创意的瓶颈不再是执行力，而是想象力。

Agent 是一个与我们协作、共生的智能伙伴。我们不需要害怕它，而是要学会驾驭它、定义它、塑造它。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】