AI Agent智能体开发Agent和普通对话Chatbot本质区别Agent能自主规划记忆存储工具调用迭代执行自我纠错能力的智能体执行体能够自助拆解负责任务调用外部工具闭环完成目标无需人工分布指令Agent四大核心组件规划记忆工具感知AGent四大核心各司其职规划拆解任务排执行步骤记忆存聊天记录和历史经验反短期会话内存长期向量记忆工具调用业务接口查询功能感知接收所有输入信息过滤垃圾数据交给大脑处理。ReAct框架原理思考行动循环流程React 就是三步循环先让模型想清楚缺什么数据该调用哪个工具接着自动调用接口查数据拿到结果后再重新判断够不够。回答不够就继续循环直到能给出完整答案或者达到最大步骤停止。简单业务 Agent 基本都用这个框架。Plan and Execute 规划执行范式和 ReAct 适用场景差异React 是走一步想一步适合简单小事Plan and Execute 先一次性把完整流程全部规划出来再按步骤执行。这适合复杂长流程任务比如自动处理完整工单、批量数据分析。它的可控性更强不容易无限循环调用工具。Agent的memory分为短期记忆、长期记忆分别如何实现短期记忆存储当前单次对话全部交互内容。(a) 基础实现内存列表存储 message 数组包括用户提问、Agent 思考工具、返回回答。(b) 生产优化滑动窗口机制超过 token 阈值自动裁剪早期无用对话。增强对话摘要压缩把久远多轮对话浓缩为精简摘要减少上下文占用。© 生命周期会话结束直接清空不持久化存储。长期记忆存储跨会话长期用户信息、历史任务经验、常用知识库片段。(a) 实现流程存储每轮会话结束后用 embedding 将重要交互经验文本转为向量存入 Milvus 向量库绑定用户 ID 标签。检索新会话启动时根据当前 query 做向量检索召回相关历史经验注入上下文。对话历史持续累积如何优化记忆防止上下文窗口打满多种方案组合使用滑动窗口截断。对话摘要压缩定期调用轻量模型把前序多轮对话压缩成几十字用摘要替换原始长文本。长短对话分层记忆分层。阶段性清理无关信息过滤闲聊、失败的工具调用、重复的报错日志只保留有效业务交互。动态阈值控制实时统计当前上下文 token 总量接近窗口上限时自动触发压缩。复杂任务分段执行超长任务拆分为多轮会话分段保存中间状态避免单次上下文爆炸。Agent如何自主选择工具Function calling在工具调用中的作用系统提示词内置全部工具元数据工具名称、功能描述、入参 schema、适用场景。用户输入后模型结合当前已有信息判断是否缺失数据并对所有工具能力进行评估。匹配到对应工具后严格按照定义的 JSON 格式输出入参无匹配工具则直接生成回答。程序拦截模型输出解析工具并执行指令将操作结果回传给模型。Function calling 强制模型输出标准 JSON 参数程序能直接解析调用接口不会出现文字描述参数无法解析的问题。工具调用失败接口报错Agent层如何设计容错逻辑接口超时就重试几次参数填错让模型重新生成参数。服务崩了就切备用接口。连续报错就暂停使用这个工具。实在查不到就告知用户无法获取不能一直循环调用。Agent出现死循环无限调用工具是什么原因如何解决死循环大多数是因为没有限制最大调用次数导致模型反复查询同一内容。解决方法硬性规定最多循环次数。记录已经调用过的工具避免重复。在提示词中写清楚查到信息就停止查询。LangChain 核心组件有哪些Chain、Loader、Memory、Tools 的作用是什么LangChain 把大模型、文档、向量、工具、记忆全部封装为统一接口Chain用来把多步操作串联起来。Loader负责读取各类文件。Memory自动管理聊天上下文。Tools统一包装接口方便模型调用。Long graph与long chain最大区别执行架构(a) LangChain是线性链式chain只能 A 到 B 到 C 单向串联不支持循环、分支、并行。(b) LangGraph基于有向图状态StateGraph通过节点加条件边支持循环、判断、分支、人工介入、并行任务。状态管理(a) LangChain无统一全局状态多轮执行时上下文容易丢失。(b) LangGraph内置全局 state 对象所有节点共享会话状态天然支持断点续跑。流程可控(a) LangChain流程固定无法动态跳转。(b) LangGraph可自定义条件路由。持久化(a) LangChain无内置断点能力。(b) LangGraph原生支持 checkpoint 持久化会话。低代码平台 Dify Codes 的优缺点两者不用写太多代码拖拽就能做知识库和机器人适合内部小工具快速做 demo。但对于大型高并发业务、涉密系统以及需要大量对接自研业务接口的项目不建议用低代码定制和性能都跟不上。什么是MCP协议对Agent开发带来什么价值MCP意为模型上下文协议。统一工具调用标准相当于 AI 的通用接口所有业务工具都做成 MCP 服务智能体不用单独写适配代码。新增工具直接接入权限和日志统一管理开发和维护简单很多。多智能体之间如何通信如何避免任务冲突、重复执行通用方案共享全局状态langgraph state所有 Agent 读写统一状态。标准化消息体固定角色、任务类型、结果标记。消息队列解耦Kafka异步多 Agent 通信。防冲突重复执行方案全局唯一任务 ID每个子步骤标记完成状态已执行步骤跳过。角色权限隔离每个 Agent 只允许处理自己分工的任务。分布式锁同一任务同一时间仅一个 Agent 处理。结果校验机制重复产出自动合并去重。主控调度 Agent统一分配任务避免多 Agent 抢同一事务。Function calling和MCP的区别Function calling 可以理解为一个流程。其核心原因在于模型无法调用工具Function calling 这个流程就是用户提出问题。模型做决策确定需要调用哪个工具并返回哪些参数。程序根据参数去调用工具并返回结果给模型。一旦工具多了应用与工具之间的接入就复杂了所以 MCP 就出现了它是一种标准协议。在应用和工具之间统一连接 MCP这样大大节省了工具适配的成本总结Function calling 管的是应用和大模型之间怎么指挥模型返回标准指令告知应用调谁、传什么参数。MCP 管的是应用怎么接入工具。有哪些工具怎么调统一由 server 声明。接着来讲 MCP 的构成host宿主、client、server host 即 AI 应用例如 Cursor、codex。它向client发送指令。Client负责翻译翻译与连接server。Server负责执行业务逻辑Text to SQL智能SQL生成Agent提升准确率有哪些方案元数据注入把表名字段、字段含义、数据类型、关联关系全部写入系统提示词。增加少量 few-shot 标准 SQL 示例。增加约束禁止删除、修改语句仅生成查询 SQL。前置 query 改写标准化用户口语化需求。执行前语法校验自动修正字段名错误。增加反思步骤生成 SQL 后让 Agent 自查逻辑是否匹配需求。分层生成简单查询直接生成复杂多表查询先拆解表关联再写 SQL。代码Agent开发难点如何保证生成代码可执行安全难点代码容易报错存在高危指令。解决方式prompt限定依赖生成后进行语法校验代码放在隔离沙箱运行禁止危险操作。运行出错让 AI 自动修改代码。Agent会话状态如何持久化支持断点续执行。PostgreSQL、Redis 持久存储会话唯一 ID 绑定全局 state。LangGraph Checkpoint 机制原生持久化状态中断后传入 thread ID 恢复上下文。定时快照长任务每一步自动落地快照防止服务重启丢失进度。过期清理闲置会话自动归档释放存储资源。Agent系统如何限流控制token消耗降低调用成本接口限流基于 resilience4j 限制单用户、全系统 QPS。步数限流限制每个 Agent 最大工具调用次数减少多轮推理。缓存机制高频问答固定工具返回结果缓存重复请求不调模型。上下文压缩减少无效 token 占用。分层模型简单摘要检索用低成本小模型复杂推理用大模型。Agent工具调用的Json schema规范作用Pydantic后端Pydantic自动序列化、反序列化提前拦截参数错误如何防止Agent调用高危工具做好权限隔离工具分级普通查询工具开放删改数据、系统操作、资金工具设置审批。角色绑定工具不同用户 Agent 可见工具列表不同。前置校验识别高危操作触发人工审核节点。MCP 服务权限隔离高危工具独立部署单独鉴权。提示词约束。操作日志全留存高危操作告警。系统提示词如何设计角色定义工具清单执行规则最大循环步数终止条件反思要求输出格式约束条款禁止编造禁止高危操作Few-shot标准示例记忆使用规则如果从0手写简易Agent整体架构如何设计分为四层模型抽象层封装各大模型同步、流式调用统一返回结构。工具管理层自定义工具类 JSON 参数解析、参数校验、接口执行、异常捕获。规划循环层实现 ReAct 循环逻辑配置最大步数、退出条件。会话存储层Redis 数据库存储短期对话向量库实现长期记忆。完整执行流程接收用户输入加载会话记忆推理判断是否调用工具接口执行回填结果循环直到可回答生成输出。