企业官网建设流程全解析

本文介绍了AI Agent的四核心组件：感知、决策、执行和记忆，并阐述了它们在运行闭环中的职责与协作。感知层负责处理环境信息，决策层结合目标与状态选择行动，执行层调用工具并确保操作安全，记忆层则管理任务状态。文章强调这仅是一种架构抽象，并补充了生产级Agent所需的关键能力，如风险控制与可运营性保障。对于想要了解AI Agent基础知识的开发者来说，这是一份不可多得的入门资料。

AI Agent 的核心组件有哪些？

题目分类

• 方向：Agent 架构 / 核心组件与运行闭环
• 类型：常见基础原理题，也是 Memory、Planning、Tool Calling、Guardrails 等问题的入口
• 适合岗位：AI 应用工程师、LLM 应用工程师、Agent 工程师

考察点

• 能否说明四组件模型是一种架构抽象，而不是所有 Agent 必须照搬的唯一标准
• 是否理解感知负责接收、解析和标准化环境信息，而不只是处理图像或语音
• 是否能拆清决策层的目标理解、上下文组装、规划、Action 选择和终止判断
• 是否知道执行层由受控运行时调用工具，模型只提出 Action，不直接拥有业务权限
• 是否能区分工作状态、短期记忆和长期记忆，并说明读写时机与风险
• 能否把四个组件放回闭环，并补充 Guardrails、Tracing、预算和人工审批

知识讲解

1. 四组件模型是一种实用抽象

AI Agent 常被拆成感知（Perception）、决策（Decision）、执行（Action）和记忆（Memory）。这个划分适合建立心智模型，但不是统一的行业标准。有些框架把规划放进决策层，有些把状态管理称为 Context 或 Session，也有些一次性 Agent 根本不需要长期记忆。

比记住组件名称更重要的是理解闭环：Agent 从环境接收信息，结合目标和状态决定下一步，由运行时执行动作，再把结果作为 Observation 送回系统，直到任务完成、需要人工介入或触发终止条件。

2. 感知：把外部信号转成可决策的信息

感知层负责接收和解释 Agent 当前能看到的环境。输入可以是用户文本、图片、语音、文件、页面状态，也可以是上一轮工具返回值和错误信息。

它通常承担以下职责：

• 接入不同模态和渠道，并统一事件格式
• 解析用户意图、实体、约束和环境状态
• 对工具结果做结构校验、截断、去噪和错误分类
• 标记数据来源、时间、新鲜度和可信边界
• 形成供决策层使用的 Observation，而不是把所有原始数据直接塞进上下文

因此，纯文本 Agent 也有感知层。感知的本质是“把环境信号变成可消费状态”，不等于计算机视觉。

3. 决策：根据目标和当前状态选择下一步

决策层通常以 LLM 为核心，但不仅是调用一次模型。运行时需要先组装目标、Instructions、当前 Observation、工作状态、召回记忆、可用工具和剩余预算，再让模型生成下一步决策。

决策结果通常包括三类：

• Final：任务已经完成，输出最终结果
• Action：选择工具并生成结构化参数
• Pause / Handoff：请求人工审批、补充信息或转交其他 Agent

复杂任务可能显式生成计划，但不是每轮都需要重新规划。生产系统还应校验 Action Schema、工具是否可用、步骤是否有进展，以及是否达到最大轮数、成本或超时限制。

4. 执行：受控地把 Action 变成真实操作

执行层负责把模型提出的 Action 交给真实工具，例如搜索、数据库、代码沙箱、文件系统或业务 API，并把结果封装成 Observation。

模型输出一个tool_call不代表动作已经发生。执行层仍要完成：

• 工具白名单和参数 Schema 校验
• 用户身份、租户和资源权限检查
• 高风险操作的人工审批
• 超时、重试、幂等、并发和限流
• 结果标准化、错误分类和敏感信息过滤
• 对可逆与不可逆副作用采用不同控制策略

这个边界很重要：模型负责建议做什么，应用运行时决定能不能做、怎样安全地做。

5. 记忆：保存任务状态，但不是无限堆历史

Agent 中常见的“记忆”至少可以分成三类：

• 工作状态：当前计划、已完成步骤、工具结果、预算和待审批项，服务于一次运行
• 短期记忆：当前会话历史或摘要，帮助连续多轮保持上下文
• 长期记忆：跨会话保存的用户偏好、事实、经验或任务产物，需要检索后按需注入

记忆系统的重点不是存得多，而是正确写入和正确召回。长期记忆要处理来源、作用域、时效、去重、冲突、删除和隐私；低质量 Observation 不应未经筛选直接沉淀。很多一次性任务只需要工作状态，不需要长期记忆。

图解 1：下面这张图展示感知、决策、执行和记忆的职责与数据关系。

6. 四个组件如何形成运行闭环

一次典型运行可以概括为：感知层形成 Observation，记忆层提供相关状态，决策层选择 Action，执行层调用工具，执行结果再回到感知与状态更新。若模型输出 Final、需要人工审批、超过预算或没有进展，运行时就退出或暂停。

生产级 Agent 还需要两组横切能力：一组控制风险，包括 Guardrails、权限、审批、沙箱和终止条件；另一组保证可运营，包括 Trace、成本、延迟、步骤数、工具成功率和任务成功率。它们不是第

五、第六个认知组件，却是系统能否上线的关键。

图解 2：下面这张图展示 Agent Loop 外围必须存在的生产治理层。

代码示例

type Observation = { source: "user" | "tool"; content: unknown; trusted: boolean; }; type WorkingState = { goal: string; observations: Observation[]; completedSteps: string[]; remainingTurns: number; }; type Decision = | { type: "final"; answer: string } | { type: "pause"; reason: string } | { type: "action"; tool: "searchDocs" | "updateTicket"; arguments: Record<string, unknown>; }; interface AgentComponents { perceive(input: unknown, source: Observation["source"]): Observation; recall(state: WorkingState): Promise<string[]>; decide(state: WorkingState, memories: string[]): Promise<Decision>; execute(action: Extract<Decision, { type: "action" }>): Promise<unknown>; remember(state: WorkingState): Promise<void>; } async function runAgent( components: AgentComponents, goal: string, userInput: unknown, maxTurns = 8, ) { const state: WorkingState = { goal, observations: [components.perceive(userInput, "user")], completedSteps: [], remainingTurns: maxTurns, }; while (state.remainingTurns > 0) { const memories = await components.recall(state); const decision = await components.decide(state, memories); if (decision.type === "final") { await components.remember(state); return { status: "completed" as const, answer: decision.answer }; } if (decision.type === "pause") { return { status: "paused" as const, reason: decision.reason, state }; } // execute 内部必须完成权限、Schema、审批和幂等检查。 const toolResult = await components.execute(decision); state.observations.push(components.perceive(toolResult, "tool")); state.completedSteps.push(decision.tool); state.remainingTurns -= 1; } return { status: "max_turns_exceeded" as const, state }; }

代码讲解

perceive把用户输入和工具结果统一成带来源与可信标记的 Observation；recall只召回当前任务需要的记忆；decide根据目标、状态和记忆返回 Final、Pause 或 Action；execute负责真正的工具调用与安全控制。

工作状态始终在循环中更新，而长期记忆只在合适的时机通过remember沉淀。代码用remainingTurns给循环加硬终止条件；真实系统还需要超时、预算、无进展检测、Trace 和断点恢复。

面试回答

AI Agent 常见的四组件抽象是感知、决策、执行和记忆，但这不是所有框架必须一致采用的唯一标准。更重要的是理解它们在 Agent Loop 里的职责边界。

感知层接收用户输入、环境状态和工具结果，完成解析、标准化、去噪和可信边界标记，形成 Observation。决策层结合目标、Instructions、当前状态、召回记忆和可用工具，决定输出最终答案、调用哪个工具，还是暂停并请求人工介入。执行层由应用运行时真正调用工具，并负责权限、参数校验、审批、超时、幂等和错误处理，模型本身不直接拥有业务权限。

记忆层保存和检索任务所需状态，可以分为一次运行中的工作状态、会话短期记忆和跨会话长期记忆。长期记忆不是必选项，也不能简单等于完整聊天记录，需要控制写入质量、作用域、时效、冲突和隐私。

四者形成“感知 Observation、结合记忆做决策、执行 Action、再观察结果”的循环。生产环境还要在循环外围增加 Guardrails、人工审批、预算、最大轮数、Tracing 和评估，否则组件齐全也不代表系统可控。

面试官追问

1. 1. 感知层是不是只在多模态 Agent 中才需要？

• 回答方向：不是；文本、工具结果、错误和页面状态都需要解析、标准化并形成 Observation。

2. 2. Planning 应该算独立组件，还是决策层的一部分？

• 回答方向：两种拆法都合理，关键看系统复杂度；概念题可归入决策，复杂架构可独立成规划器。

3. 3. 工作状态、短期记忆和长期记忆有什么区别？

• 回答方向：分别服务一次运行、当前会话和跨会话复用，生命周期、存储和召回策略不同。

4. 4. 为什么不能把所有工具结果直接写进长期记忆？

• 回答方向：会引入噪声、错误、过期事实、隐私风险和冲突，需要筛选、去重、作用域和可信度控制。

5. 5. 模型已经选择了工具，执行层为什么还要做权限检查？

• 回答方向：Tool Call 只是建议，模型不应成为授权主体；真实副作用必须由确定性代码和身份系统控制。

6. 6. 如何判断 Agent 每个组件是否工作正常？

• 回答方向：按组件记录 Observation 质量、决策正确率、工具成功率、记忆命中质量、步骤数、成本和任务成功率。

高分回答要点

• 先说明四组件模型是实用抽象，不把它说成唯一行业标准
• 把感知解释为环境信息标准化，而不局限于图像和语音
• 讲清决策层的上下文组装、Action 选择与终止判断
• 明确工具由运行时执行，模型不直接拥有权限
• 区分工作状态、短期记忆和长期记忆，并指出长期记忆非必选
• 将四组件放进闭环，并补充 Guardrails、审批、预算和 Trace

常见扣分回答

• 只用“眼睛、大脑、手脚、记事本”类比，没有工程边界
• 把感知等同于多模态识别，忽略文本和工具 Observation
• 认为模型输出 Tool Call 就代表真实操作已经完成
• 把全部聊天记录和工具结果都称为长期记忆
• 只列组件，不说明循环、终止条件和生产治理

项目结合话术

项目中会把 Agent Runtime 拆成 Observation 适配、决策、工具执行和状态管理四个清晰边界。外部输入和工具结果先经过标准化与可信标记，再进入决策；工具执行统一走权限、Schema、审批和幂等控制；工作状态支持暂停恢复，长期记忆只沉淀经过筛选的稳定信息。全链路记录模型轮次、工具调用、成本和终止原因，方便定位问题究竟出在感知、决策、执行还是记忆。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 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

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 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

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 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
• …

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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 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
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、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。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。