你是否也曾好奇，那些能自主执行任务、调用工具的 AI “agent” 是如何运作的？ 2024 年，我们见证了 AI 技术从简单的聊天机器人向更复杂的智能体转变。但当我们深入研究这些 agent 时，会发现它们背后的技术栈与我们熟悉的 LLM 技术栈截然不同。
今天，我们就来揭开 AI agent 技术的神秘面纱，为你梳理这个快速发展的领域，让你不再雾里看花。
从 LLM 到 Agent：一场深刻的进化
在 2022 和 2023 年，我们见证了 LLM 框架和 SDK 的爆发，如 LangChain 和 LlamaIndex。与此同时，LLM 的使用也变得更加方便，无论是通过 API 调用还是自行部署（比如 vLLM 和 Ollama）。
然而，到了 2024 年，大家的目光开始转向更高级的 AI “agent”。这个概念虽然早在 AI 领域就存在，但在 ChatGPT 时代，它有了新的内涵：能够自主行动、执行任务，并与外部工具交互的 LLM。
这种转变意味着，我们需要一套全新的技术栈来支撑 agent 的发展。
agent 技术栈：核心差异在哪里？
Agent 不仅仅是一个会聊天的大模型，它们更像是具备一定自主性的智能体。它们需要管理自己的状态（例如，对话历史和记忆）、调用各种工具，并且安全执行。这使得 agent 的技术栈和传统的 LLM 技术栈有很大的不同。
让我们从底层到顶层，逐一剖析 agent 技术栈的关键组成部分：
1. 模型服务：AI 的大脑
核心： LLM。这是 AI agent 的核心动力。 服务方式： 通过推理引擎提供服务，通常是付费/自己部署 API。 主要玩家： 闭源模型： OpenAI 和 Anthropic 领跑。 开源模型： Together.AI、Fireworks 和 Groq 等提供商开始崭露头角，提供基于 Llama 3 等模型的服务。 本地部署： vLLM 成为生产级 GPU 服务的主流选择，而 Ollama 和 LM Studio 则深受个人爱好者的喜爱。
2. 存储：记忆的基石
核心： 持久化状态，如对话历史、记忆和外部数据。 关键技术： 向量数据库： Chroma、Weaviate、Pinecone、Qdrant 和 Milvus 等用于存储 agent 的“外部记忆”，应对大容量数据。 传统数据库： Postgres 通过 pgvector 扩展也开始支持向量搜索。 为何重要？ Agent 是有状态的，需要长期存储和检索信息。
3. 工具与库：能力的扩展
核心： 使 agent 能够执行各种任务的“工具”（或“函数”）。 调用方式： 通过 LLM 生成的结构化输出（例如，JSON 对象）指定要调用的函数和参数。 安全执行： 使用沙箱（如 Modal 和 E2B）来确保工具执行的安全性。 工具生态： 通用工具库： Composio 等。 专用工具： Browserbase（网页浏览）、Exa（网页搜索）等。 为何重要？ 工具扩展了 agent 的能力边界，让它们能够完成更复杂的任务。
4. Agent 框架：编排智能的指挥中心
核心： 负责编排 LLM 调用，管理 agent 状态。 关键特性： 状态管理： 如何保存和加载 agent 状态，例如对话历史和记忆。 上下文窗口： 如何将状态信息“编译”到 LLM 的上下文窗口中。 跨 agent 通信： 如何实现多 agent 之间的协作。 内存管理： 如何应对 LLM 有限的上下文窗口，管理长期记忆。 开源模型支持： 如何让 agent 更好地利用开源模型。 热门框架： Llama Index、CrewAI、AutoGen、Letta、LangGraph 等。 为何重要？ 框架决定了 agent 的运行方式和效率。
5. Agent 托管与服务：未来趋势
核心： 将 agent 作为服务进行部署，通过 API 进行访问。 当前痛点： 状态管理、安全工具执行以及规模化部署是难题。 未来展望： 未来将会出现标准化的 Agents API，让 agent 的部署更加便捷。 为何重要？ 这将使 agent 从原型走向真正的应用。
未来已来：agent 技术栈正在高速发展
Agent 技术栈整体仍然非常年轻，但它正在以惊人的速度发展。未来的 agent 将会更加智能、更加自主，它们将会在各行各业发挥重要的作用。
