和我们人类进行搜索、查询资料一样生成式AI模型被训练成可以认得并“使用”外部工具访问实时数据和信息除此之外还能够自我决策。所以推理、逻辑和获取外部信息的能力组合起来就有了Agent的概念。02 什么是AgentAgent是一个通过执行它所知道的工具获取外界信息进而完成特定目标的应用。Agent即使没有人为干预它也能基于目标来决策下一步的动作例如下一步进行某个关键信息的搜索。Agent所用到的基础的组件有三个分别是模型、工具、编排层这些组件被定义为认知架构。它们也能被重组成不同的架构。Agent下文会被称为智能体模型The model在Agent框架中模型特指有决策能力的语言模型Language ModelLM。Agent使用的模型可以是通用型、多模态或者微调过的特定模型。它们都遵循基于指令式的推理和逻辑框架如ReActReasoning and Action、CoTChain-of-Thought、ToTTree-of-Thoughts为了最佳效果应该基于场景选择合适的模型。通常模型不会直接用Agent的特定配置如工具选择、编排/推理设置等进行专门的训练可以通过向模型提供示例等上下文实现。工具The tools模型的训练是基于已有的公开数据缺少了实时或企业私有的数据内容所以需要通过工具与外部世界互动来弥补模型的不足。工具可以有多种形式通常遵循Web API方法。有了工具就可以提升模型的能力边界。编排层The orchestration layer编排层定义了一个循环过程包括Agent接收外部信息、内部推理及后续行动决策。通过循环的推理、行动、接收行动结果直至达到目标或触发终止条件。编排层的复杂度随任务的复杂度而变化简单的可能只需要调用工具复杂的可能涉及链式逻辑或机器学习算法等。智能体 VS 模型维度 \ 对比模型智能体知识范围训练的静态数据通过工具调用外部数据推理能力单次查询响应需要单独定义维护如上下文历史支持基于编排层的多轮对话工具使用不具备内部调用工具的能力在架构层直接集成逻辑处理无内置逻辑处理原生认知框架可使用CoT、React等推理03 Agent如何运作把Agent理解成厨房里面的主厨大致过程如下收集信息顾客的菜单、已有的食材。进行内部推理基于收集到的菜单和食材设计菜品和味道。执行动作切菜、调味、烹饪。期间会根据顾客的反馈和所剩食材进行调整直到完成任务。这种从信息获取、推理、执行、反馈的过程正是为了实现目标而采用的认知框架。Agent的核心是编排层它维持记忆、状态、推理、规划借助提示词工程和相关框架ReAct、CoT、ToT来指导推理和规划。ReAct一个提示词工程框架提供了一种从推理到行动的思考模式。CoT一个提示词工程框架能够通过中间步骤实现推理能力。包括子技术如自我一致性、主动提示、多模态CoT等。ToT一个提示词工程框架适合探索和战略规划任务在CoT的基础上尝试在中间步骤通过多条思维路径进行探索获得最佳效果。一个ReAct执行序列示例用户向智能体发起咨询智能体启动ReAct序列智能体向模型提供一个ReAct提示词并获得下一步计划及结果问题提示词和用户问题一起提供给模型思考模型思考下一步的计划行动模型决定下一步是否需要使用工具行动输入模型提供使用工具的名字和参数智能体完成对工具的调用并获取结果观察将结果和之前的内容提供给模型进行再次思考。思考/行动/行动输入/观测重复多轮。最终输出模型确认已知最终结果或者达到循环次数阈值。智能体响应的质量与模型的推理与行动能力直接相关包括选择工具的能力、以及工具的描述与定义。04 工具模型在自然语言理解上表现很出色但是它仍然无法感知和影响外界。这是模型的能力限制所以需要借助外部工具来与外部交互例如通过特定工具查询日历、天气、发送电子邮件等等。Google模型或者一般模型使用的工具可以细分为扩展Extensions、函数Functions、数据存储Data Stores。扩展Extensions扩展是以标准化的方式在智能体和API之间搭起的桥梁。使得智能体能够无缝调用API而不用考虑API实现的差异。如图扩展通过示例指导智能体如何调用API并告诉智能体调用API所必需的参数。这不就是MCPModel Context Protocol扩展可以独立于智能体开发在与智能体交互时提供示例和说明使得智能体能够动态选择使用哪一个工具。函数Functions在软件开发中函数是用来定义一个特定的功能方便重复使用。一个任务的完成可能需要调用多个不同的函数。智能体类似由模型代替开发者的角色先预定义一批函数由模型决定调用哪些函数以及提供调用函数的具体参数。函数的主要特点1、模型输出函数及参数但不直接调用2、函数在客户端被执行不由智能体和模型执行与****扩展的区别函数调用为客户端的开发者提供更高的控制权限同时降低对外部环境的依赖。两者的区别如图所示一些适合使用函数调用的示例1、旅游建议中用户咨询旅游城市建议模型返回结构化的数据如Json格式包括函数名与城市列表客户端可以基于此进行额外数据如图片、视频获取给用户提供更友好的展示。2、处理需要长时间执行的异步任务。3、函数执行涉及敏感凭证。4、需要在外设中进行函数调用的时候。关于函数机制最重要的是要理解它们的设计目的是为开发人员提供更大的控制权限不仅包括API调用的执行还包括应用程序整体的数据流向。数据存储Data Stores语言模型可以类比一个巨大的知识库模型学习了大量知识和其特征和持续更新的互联网数据不同它的知识是静态的。数据存储通过提供动态最新的数据来克服模型这方面的局限确保模型的回答建立在准确和事实之上。数据存储一般会将原文件内容转成向量数据存储在特定的向量数据库中智能体会根据用户的输入来搜索存储的向量数据进而得到最新的动态数据。检索增强生成RAG应用是数据存储的典型应用场景通过多种数据源来扩充模型和智能体的知识范围。一个集成了ReAct推理的RAG应用示例交互过程如下工具对比维度 \ 对比扩展函数数据存储使用位置智能体端客户端智能体端试用场景1、需要智能体控制API端点 2、需要连续API调用和规划 3、原生预构建扩展。1、存在时序或操作顺序限制、无法实时调用API 2、API不对外开放或者系统无法直接调用。实现基于RAG的智能体。05 提升模型性能提升模型性能的方式有如下三种这里的性能更多应该是模型回复的质量。上下文学习推理时提供提示词、工具、少量示例让模型即时学习如何使用工具。检索式上下文学习从外部进行检索如信息、工具、示例等知识动态构建提示词例如RAG应用。基于微调的学习使用前通过特定的知识训练模型帮助模型学习新的语言特征如经过训练使得模型在推理前掌握工具使用规则。06 最后Agent智能体的基本认知框架包含模型、工具、编排层三个核心组件**。**模型具备出色的自然语言理解能力后续会越来越强加上工具的使用扩展其能力边界最后由提示词工程框架如ReAct进行推理和规划使得智能体最终完成任务目标。参考https://www.kaggle.com/whitepaper-agents想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”