AI代理（AI agent）是将人工智能技术与特定应用场景相结合，实现技术应用落地的一种实践方式。
大模型尽管通过海量数据训练后具备了高级智能，但它们本身并不具有实体形态。这就像人类的大脑，虽然能够产生想法，但关键在于如何将这些想法转化为具体行动，即将想法实现出来。
AI agent的作用就是将这些抽象的智能转化为具体的功能和应用，它们充当了大型AI模型与现实世界之间的桥梁，使得AI的智能能够以更加具体和实用的方式服务于人类社会。通过AI代理，大型AI模型的潜力得以扩展和实现，从而在各个领域发挥其作用。
Agent架构是怎么样的？
大模型驱动的自主agent架构：规划（planning）、记忆（memory）、工具（tools）、执行（action）
agent负责协同各个组件处理复杂任务和决策过程。
规划：包括规划、决策能力，有效执行复杂任务。涉及子目标分解、连续思考（思维链）、自我反思和批评、对过去行动的反思。
记忆：短期记忆和长期记忆。
短期记忆：与上下文学习有关，属于提示工程一部分。
长期记忆：与信息长时间保留与检索有关，利用外部向量存储和快速检索。
工具：包括agent调用的各类工具，如：日历、计算器、代码解释器等。
执行（行动）：基于规划和记忆执行具体行动，包括：与外部世界互动、调用工具完成一个动作或者任务。
Agent执行流程
Agent通过不同模块的协作处理和解决任务：
接收任务：通过读入的提示【查询、附加知识、人设提示】，接收需要处理的任务。
记忆更新：根据任务更新系统记忆，确保信息是鲜活的，
记忆检索：从记忆检索相关信息，必要时可进行截断，便于高效处理信息。
任务规划：根据工具、记忆、查询提示，由大模型生成一个包含任务名称的计划，包括后续执行步骤和动作【说明调用工具和参数】。
工具执行：大模型会调用在任务规划中指定的工具去完成特定的任务，将工具生成的指定格式结果整合到任务记忆，如果“任务规划”产生任务完成信号，循环将终止。根据工具描述、记忆、约束条件，判断是否调用已有工具。
工具描述：工具的简版说明书。
记忆和约束条件：提示中告诉agent，如果你没有这方面的知识，一定要查询相关资料，不要乱说。
总结：系统总结出最终的答案，完成整个任务处理工程。
