完整题目
从技术角度看，一个智能体（Agent）应具备哪些基础能力才能完成复杂任务？例如感知、规划、工具调用、记忆管理等，并说明这些能力之间的协作关系。
答案要点
- 能清晰列举Agent四大核心能力（感知、规划、执行/工具调用、记忆）
- 能说明各能力的职责边界
- 能解释能力间的协作流程（如规划→调用→观察→再规划的循环）
- 能结合具体框架（如ReAct）说明
- 能提及反思/自我修正机制
Agent完成复杂任务需要四大核心能力，形成"感知→规划→执行→记忆"的闭环：
1. 感知（Perception）
- 接收多源输入：用户指令、环境状态、工具返回结果
- 关键：将非结构化信息转化为模型可理解的上下文
2. 规划（Planning）
- 任务拆解：把复杂目标分解为可执行的子步骤
- 策略选择：决定下一步动作（调用工具/直接回答/继续推理）
- 常用模式：ReAct（推理+行动交替）、CoT（链式思考）、ToT（树状搜索）
3. 工具调用（Tool Use / Action）
- Function Calling：结构化输出工具名和参数
- 执行反馈：获取工具返回后，判断任务是否完成或需调整
4. 记忆（Memory）
- 短期记忆：当前对话上下文（受限于上下文窗口）
- 长期记忆：向量数据库存储历史经验、用户偏好、领域知识
协作关系——以ReAct为例：
Thought（规划）→ Action（调用工具）→ Observation（感知结果）→ Thought（重新规划）...循环直至任务完成。记忆模块贯穿全程：短期记忆维护当前轨迹，长期记忆支持知识检索。
关键设计点：反思机制（Self-reflection）——执行失败后能回溯重规划，而非简单报错。
换一种问法，检查是否真正理解
场景切入
假设你做一个订单客服Agent，用户说‘帮我查昨天那单，然后退款，再重新下单’。这听起来简单，但Agent得自己拆步骤、调API、记状态。你觉得一个Agent要具备哪些基础能力才能把这一串活儿干完？
层层追问
你觉得一个Agent要完成复杂任务，最关键的能力是什么？……那它怎么知道下一步该干啥？……如果调用工具后结果不对，它能自己纠正吗？……这些能力之间怎么配合才能形成一个闭环？
直球架构
从技术架构角度，一个能够自主完成复杂任务的Agent，你认为它必须拥有哪几项核心能力？请具体列出，并说明这些能力之间如何协作，比如参考ReAct这样的框架。
练习口述回答 · 约4分钟
- 一句话定位：这道题本质考的是Agent在真实落地中如何组织能力
- 感知和记忆：数据入口与缓存，边界在哪里
- 规划与工具调用：ReAct循环和反思机制
- 协作关系：以订单异常处理为例串起来
- 落地风险与取舍：别把Agent当神，要防死循环和幻觉
这道题其实问的是，一个[[Agent]]要完成复杂任务，到底需要哪些底层能力，以及这些能力怎么配合才能跑得起来。很多人喜欢把感知、规划、工具调用、记忆一个一个列出来，但我觉得更重要的是理解它们之间的协作关系，就像流水线一样，缺一个环节就会卡住。
先说感知和记忆。感知就是Agent的“眼睛和耳朵”，接收用户指令、环境状态、工具返回的结果，把非结构化信息转化成模型能理解的上下文。记忆呢，分短期和长期。短期就是当前对话上下文，受限于上下文窗口；长期靠 [[Vector Database]] 存历史经验、用户偏好、领域知识。这里有个边界划分：感知负责“当下看到什么”，记忆负责“过去知道什么”。落地时，如果任务依赖历史交互，比如客服要查用户之前的退款记录，那长期记忆就是必须的；如果只是单次问答，短期记忆就够了，没必要每次都去向量库检索，否则延迟和成本都上去了。
再讲规划和工具调用。规划负责把复杂目标拆成可执行的子步骤，决定下一步是调用工具还是直接回答。常用模式是 [[ReAct]]，也就是推理和行动交替。工具调用就是 [[Function Calling]]，结构化输出工具名和参数，然后获取反馈。这里有个关键点：规划不是一次性的，而是循环的。比如Thought→Action→Observation→Thought，直到任务完成。如果执行失败，还需要反思机制，也就是回溯重规划，而不是简单报错。
举个例子，订单异常处理。用户说“我昨天买的手机没收到，但物流显示已签收”。Agent先感知到这句话，从短期记忆里知道这是售后场景。然后规划：第一步，调用物流查询工具查实际配送记录；第二步，调用订单系统查签收人；第三步，根据结果决定是补发还是退款。工具返回物流记录显示“代收点签收”，Agent再规划：调用客服工具发短信提醒用户去代收点取件。整个过程，短期记忆维护当前轨迹，长期记忆可能存了用户偏好“喜欢放快递柜”，但这里没用上，因为场景不依赖历史。如果工具调用失败，比如物流接口超时，Agent会反思：重试一次，或者换备选工具。
协作关系说白了就是：感知给规划提供原料，规划决定调什么工具，工具返回结果又变成新的感知，记忆则贯穿全程做上下文支撑。就像做菜，感知是看菜谱和食材，规划是决定先切菜还是先热油，工具调用是动手操作，记忆是记住刚才放了多少盐。
这里有个落地风险我得提一下。很多人把Agent想得太万能，但实际中常见失败场景是规划陷入死循环，或者工具调用返回的数据格式不对导致[[幻觉]]。所以上线前我会特别关注两点：一是给规划加最大步数限制和超时退出，二是对工具返回做格式校验和置信度过滤。我更倾向于把Agent看成“带策略的自动化流程”，而不是一个会思考的机器人，这样设计边界更清晰，出问题也好排查。