一个AIAgent是怎么组成的?
前两篇，我们分别聊了“什么是 AI Agent”以及“AI Agent 有哪些类型”。
如果继续往下追问，就会遇到一个更关键的问题：
一个 Agent 到底是怎么组成的？
为什么普通聊天 AI 只能回答问题，而 Agent 却能记住任务、查询资料、调用工具，甚至自己决定下一步该做什么？
其实，一个完整的 Agent 并没有想象中那么神秘。
可以先用一个简单公式理解：
❝AI Agent ≈ 大模型 + 指令与目标 + 知识 + 记忆 + 工具 + 规划与执行
这六部分组合起来，才让 AI 从“会聊天”逐渐变成“会办事”。
01 大模型：Agent 的“大脑”
一个 Agent 最核心的部分，通常是大语言模型，也就是我们常说的 LLM。
它负责理解用户说了什么、分析问题、进行推理，并决定接下来应该做什么。
比如你告诉一个 Agent：
❝“帮我分析一下为什么这个月销售额下降了。”
首先是大模型理解这个问题：你想分析的是销售下降的原因，而不是简单查询一个数字。
它还需要判断可能涉及哪些因素，比如地区、客户、产品、订单量、客单价等。
因此，可以把大模型理解成 Agent 的“大脑”。
但只有大脑还不够。
一个人再聪明，如果不知道目标、没有资料、没有工具，也很难真正把事情完成。
02 指令与目标：告诉 Agent“要做什么”
Agent 需要知道自己的身份、任务和边界。
比如同样一个大模型，可以被设定成：
财务分析 Agent、客服 Agent、法律 Agent、编程 Agent，或者旅行 Agent。
决定这些差异的一个重要部分，就是它收到的指令和目标。
例如一个客服 Agent，可能被要求：
“优先根据公司知识库回答客户问题，不确定时不要猜测，无法解决的问题转交人工客服。”
而一个数据分析 Agent，可能被要求：
“分析数据时必须先检查数据质量，再寻找异常原因，并用图表展示主要结论。”
这些指令就像 Agent 的“岗位说明书”。
所以，大模型决定了它有多聪明，而目标和指令决定了：
它应该把聪明用在什么地方。
03 知识：让 Agent 知道真实信息
大模型虽然知道很多东西，但它并不天然知道一家公司的内部资料，也不一定掌握最新信息。
比如你问：
❝“我们公司的差旅报销标准是多少？”
这个答案不应该靠模型猜。
Agent 需要去查询公司的制度文件、知识库或者相关系统。
这就涉及一个经常出现的概念：
RAG，检索增强生成。
名字听起来复杂，简单理解就是：
❝AI 先查资料，再根据查到的资料回答。
因此，一个企业 Agent 常常会连接各种知识来源，例如企业制度、产品手册、项目文档、行业报告、内部知识库等。
如果说大模型负责“思考”，那么知识库负责提供：
可靠的参考资料。
04 记忆：让 Agent 知道“之前发生过什么”
如果一个 Agent 每完成一步就忘记前面发生过什么，它很难处理复杂任务。
因此，Agent 往往还需要记忆能力。
记忆大致可以理解为两种。
一种是当前任务记忆。
例如你让 Agent 做一份市场分析，它需要记住已经查过哪些资料、得出了什么结论、任务进行到了哪一步。
另一种是长期记忆。
比如一个个人助理 Agent，可能逐渐知道你喜欢什么样的酒店、常用哪些工具、报告喜欢什么格式。
有了这些信息，下一次执行任务时，它就不用从零开始。
所以记忆解决的是：
❝Agent 如何利用过去的信息，更好地完成现在的任务。
05 工具：让 Agent 从“会想”变成“会做”
这是 Agent 非常关键的一部分。
大模型本身主要负责处理信息和生成内容，但真实世界中的很多事情，需要借助工具才能完成。
比如：
搜索网页、查询数据库、读取 Excel、发送邮件、查看日历、执行代码、调用企业系统。
这些都属于 Agent 可以使用的工具。
例如你对 Agent 说：
❝“把本月销售数据分析一下，并把报告发给我。”
它可能需要先调用数据库读取销售数据，再使用数据分析工具完成计算，生成报告，最后调用邮件工具发送结果。
如果没有这些工具，它最多只能告诉你：
“你可以先导出销售数据，然后进行分析。”
有了工具之后，它才能真正去做。
因此，如果说大模型是“大脑”，工具就是 Agent 的：
“手和脚”。
06 规划与执行：决定下一步该做什么
当任务比较复杂时，Agent 往往不能一步完成。
例如你告诉它：
❝“帮我分析一家新能源汽车公司值不值得关注。”
这个目标可能包含很多子任务：
查公司资料、分析财务数据、研究行业趋势、查看新闻、寻找风险因素，最后形成结论。
这时候，Agent 需要把一个大目标拆解成多个小任务，并决定执行顺序。
这就是“规划”。
执行过程中，它还需要不断检查结果。
比如第一次查询没有找到需要的数据，就换一个数据源；发现某个结论缺乏证据，就继续补充资料。
因此，Agent 的工作通常不是一条简单直线，而是：
❝理解目标 → 制定计划 → 调用工具 → 获取结果 → 判断结果 → 调整计划 → 继续执行
直到任务完成。
这也是 Agent 与普通聊天机器人的一个重要区别：
它不仅会回答，还会围绕目标持续行动。
07 六个部分是怎么一起工作的？
我们把它们放到一个真实场景中。
假设你对一个销售分析 Agent 说：
❝“帮我分析一下为什么这个月销售额下降了。”
首先，大模型理解你的问题，并判断需要分析哪些因素。
然后，目标与指令告诉它：必须基于真实数据分析，不能凭空猜测。
接着，它通过工具连接销售数据库，读取本月和历史数据。
如果需要了解某项业务规则，它还会查询相关知识库。
分析过程中，记忆保存已经完成的步骤和发现。
最后，规划与执行能力不断决定下一步应该检查地区、客户、产品，还是订单数据。
最终，它可能告诉你：
销售下降主要来自华东地区，其中三个主要客户订单减少，同时某款核心产品销量明显下滑。
这时你会发现：
真正让 Agent 工作起来的，并不是某一个单独的技术。
而是这些能力组合在一起。
08 Agent 不是一个“大模型外壳”
很多人刚接触 Agent 时，会认为：
❝“Agent 不就是给 ChatGPT 加一个提示词吗？”
其实并不是。
一个真正能够完成任务的 Agent，通常需要同时解决几个问题：
它有没有清晰目标？有没有可靠知识？能不能记住任务状态？能不能调用真实工具？能不能规划步骤？执行失败后能不能调整？
所以，Agent 更像一个完整系统，而不是单纯一个聊天窗口。
可以再次记住这个公式：
❝Agent ≈ 大模型 + 指令与目标 + 知识 + 记忆 + 工具 + 规划与执行
大模型提供智能，知识提供依据，记忆保存上下文，工具连接外部世界，规划负责拆解任务，而目标决定整个 Agent 要去哪里。
这些部分共同组成了一个真正能够工作的 AI Agent。
写在最后
如果把 AI Agent 比作一个人，其实很好理解：
大模型是大脑，负责思考；
目标与指令是工作要求，告诉它要做什么；
知识是资料库，告诉它应该参考什么；
记忆是经验，记住已经发生的事情；
工具是手脚，让它能够采取行动；
规划与执行则决定如何一步步把事情完成。
当这些能力组合起来，AI 才真正从：
“我知道怎么做”
走向：
“我来把它做完。”
不过，一个新的问题也随之而来：
Agent 接到一个复杂任务以后，究竟是怎么判断下一步该做什么的？
为什么它会拆解任务、调用工具、检查结果，然后不断调整？
下一篇，我们继续聊：
《AI Agent 是怎么“思考”和执行任务的？》