如何开发一个AI Agent？从规划记忆到工具调用的完整架构

很多人把调用一次大语言模型 API 误认为是做出了一个 AI Agent，这其实是当前行业落地中最常见的一个认知偏差。大模型本身只是一个具备概率预测能力的推理计算核心，它没有主动解决问题的意志，也无法直接维持跨任务的状态。真正能够在真实业务场景中闭环执行复杂任务的 AI Agent，本质上是一个以大模型为决策中枢、具备状态机特征的自主控制系统。

在国家人力资源和社会保障部、工业和信息化部联合颁布的《人工智能训练师国家职业技能标准》（职业编码：4-04-05-05）中，针对高级工（三级）和技师（二级）的技能要求明确指出了“人机交互设计”、“业务逻辑工程化拆解”以及“智能系统联调与运维”的实操规范。开发一个工业级 AI Agent，正是这套国家职业技能标准在软件架构上的完整映射。

一个严谨的 Agent 架构，可以用一个闭环控制公式概括：Agent = 规划（Planning） + 记忆（Memory） + 工具调用（Tool Use） + 执行环境（Action Environment）。下面我们逐层拆解从逻辑设计到底层代码的完整实现路径。

一、规划模块（Planning）：让模型从“发散回答”转向“严密推演”

规划模块的作用是把用户的模糊目标拆解为机器可执行的具体步骤，并根据外部环境的反馈动态调整后续动作。目前工业界最成熟的规划方法有两种：ReAct（Reasoning + Acting）模式与Plan-and-Execute（规划后执行）模式。

1. 两种主流规划架构对比

2. ReAct 核心提示词（Prompt）工程规范

在搭建 ReAct 调度器时，必须通过系统提示词向大模型下达严格的格式约定，强制模型输出结构化的推理过程，严禁自行胡编调用结果。

你是一个严格遵循 ReAct 决策框架的任务执行智能体。
请根据用户的输入目标，按照以下固定循环步骤执行，直到得出确定的最终答案：

1. 思考（Thought）：分析当前已知信息，明确当前这一步需要做什么。
2. 行动（Action）：选择必须调用的外部工具名称，必须且只能从已注册工具列表中选择。
3. 输入（Action Input）：向工具传递的 JSON 格式参数。
4. 观察（Observation）：读取工具执行后的真实返回值（此步骤由执行环境填入，你严禁伪造）。

当获取到全部所需信息后，输出最终结果：
最终答案（Final Answer）：向用户输出完整、事实明确的最终结论。

注意事项：
- 严禁在未获得 Observation 之前自行捏造数据。
- 单次任务最多允许执行 6 轮循环，如果第 6 轮仍无法解决，直接输出 Final Answer 说明卡点并终止。

避坑提醒：在编写规划循环控制代码时，必须显式设置最大迭代轮数（Max Iterations，推荐 5~8 次）。一旦外部接口返回畸变数据，没有步数限制的 Agent 会在“思考-调用-报错”中陷入无限死循环，直接烧空 API 额度。

二、记忆模块（Memory）：构建分层状态管理机制

很多初学者直接把多轮对话的全部历史拼接在 Prompt 里发送给模型，这种做法在第 3 轮交互后就会遭遇三大瓶颈：Token 开销成倍增加、推理延迟成倍拉长，以及长上下文带来的“注意力迷失”（Lost in the Middle）。

专业级架构必须将记忆分拆为短期工作记忆（Working Memory）和长期语义记忆（Long-term Memory）。

1. 记忆管理方案对比

2. 状态写入与遗忘工作流 SOP

注意看，工业级记忆管理的核心不在于“存了多少”，而在于“写入纪律”：

•写入过滤：工具调用的中间调试日志、报错堆栈绝不写入长期记忆，只在短期工作记忆中消费。

•信息抽取：每当完成一个阶段性闭环，由后台异步轻量模型（如 8B 级别小模型）从对话中提取键值对实体（如：`用户预算: 50万`、`截止日期: 11月30日`），结构化存入 SQLite 或 Redis。

•动态组装：用户发起新指令时，Agent 的 Prompt 模板仅挂载：基础人设 + 核心变量状态 + Top-3 相关历史记忆 + 当前任务上下文。

三、工具调用模块（Tool Use）：打通物理环境的执行手脚

大模型本身无法连接私有网络、查询业务数据库或发送企业微信通知。工具调用模块的作用，就是把自然语言指令翻译成标准的软件工程接口协议（Function Calling）。

1. 函数描述规范（JSON Schema）

给模型注册工具时，工具描述不是写给程序员看的注释，而是直接决定大模型能否正确触发接口的语义依据。函数名称必须表意清晰，每个参数的 `description` 必须明确指出取值格式和边界。

{
  "name": "query_database_record",
  "description": "通过 SQL 查询内部业务系统的工单记录，仅支持只读 SELECT 语句，严禁执行修改或删除动作",
  "parameters": {
    "type": "object",
    "properties": {
      "sql_query": {
        "type": "string",
        "description": "符合 PostgreSQL 标准语法的单条只读查询语句，例如：SELECT id, status FROM tickets WHERE user_id = 1001 LIMIT 5;"
      },
      "timeout_seconds": {
        "type": "integer",
        "description": "查询超时时间，默认填 5，最大不得超过 10"
      }
    },
    "required": ["sql_query"]
  }
}

2. 调度执行的 Python 原生核心实现

在实际生产部署中，不一定必须绑定重型开源框架。掌握原生逻辑下的 Agent 执行控制器，有助于排查各类底层通讯与解析异常。

import json
from typing import Dict, Any, List

class AgentExecutionEngine:
    def __init__(self, llm_client, registered_tools: Dict[str, Any], max_steps: int = 5):
        self.client = llm_client
        self.tools = registered_tools
        self.max_steps = max_steps
        self.messages: List[Dict[str, str]] = []

    def run(self, user_prompt: str) -> str:
        self.messages.append({"role": "user", "content": user_prompt})
        step = 0

        while step < self.max_steps:
            step += 1
            # 1. 触发模型推理，传入工具声明列表
            response = self.client.chat.completions.create(
                model="gpt-4o-mini",
                messages=self.messages,
                tools=[tool.get_schema() for tool in self.tools.values()],
                tool_choice="auto"
            )
            response_msg = response.choices[0].message
            self.messages.append(response_msg)

            # 2. 判断模型是否发起工具调用请求
            if not response_msg.tool_calls:
                # 无需调用工具，直接返回模型的最终结论
                return response_msg.content

            # 3. 遍历并执行模型决定的工具操作
            for tool_call in response_msg.tool_calls:
                func_name = tool_call.function.name
                func_args = json.loads(tool_call.function.arguments)

                if func_name in self.tools:
                    try:
                        # 执行真实业务工具
                        exec_result = self.tools[func_name].execute(**func_args)
                    except Exception as err:
                        exec_result = f"工具执行报错: {str(err)}"
                else:
                    exec_result = f"错误: 目标工具 {func_name} 未在系统中注册。"

                # 4. 将真实的观察结果追加回上下文队列
                self.messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": str(exec_result)
                })

        return "系统执行达到最大步数限制，流程已强制熔断中止。"

四、开发框架选型与实操对比

目前市面上开发 Agent 的框架非常多，技术选型直接关系到后期的维护成本。盲目跟风选择热门工具往往会导致排错极其困难。

五、官方认证标准与职业资质考评路径

很多工程师在掌握了 Agent 的规划、记忆与工具调用开发后，希望在职场履历中获得官方背书。在这个领域，最权威、最具规范性的官方依据是人社部发布的《人工智能训练师》（职业编码：4-04-05-05）国家职业技能标准。

该职业资格考核由人社部统一部署，各省市职业技能鉴定中心或经备案的第三方评价机构统一组织实施，证书信息可全国联网查询。

1. 职业等级与申报条件（以三级/高级工为例）

2. 考试科目与分值分布

《人工智能训练师》评价实行全国统一标准，分为理论知识考试和技能考核两大部分，两门均实行百分制，60 分（含）以上为合格。

3. 官方查询官网与地方技能补贴真实政策

•全国官方查询网站：证书信息在考后一般 15 至 30 个工作日统一录入技能人才评价工作网（osta.org.cn），这是人社部唯一样式核验与真伪查询官网。

•地方职业技能补贴：根据人社部与各省人社厅现行的技能补贴管理办法，依法参加失业保险并累计缴纳失业保险费满一定期限（多数省份要求连续缴纳 12 个月或 36 个月以上）的企业在职职工，取得正规职业技能等级证书后可申领职业技能进阶补贴。

•初级工（五级）：补贴标准通常为 1000 元。

•中级工（四级）：补贴标准通常为 1500 元。

•高级工（三级）：补贴标准通常在 2000 元至 2600 元 之间（具体金额以当地人社厅最新发文为准）。

•申领途径：通过所在省份人社厅政务服务一体化网厅或地方人社微信小程序（如“上海人社”、“粤省事”等）直接在线提交社保卡银行账户申领，全程不经任何中介机构。

六、Agent 落地实施的四步闭环 SOP

在具体业务中推进智能体落地时，不要一开始就做大而全的复杂网络，严格按照以下四步 SOP 进行快速验证：

1.第一步：定义原子工具与清晰 Schema

将业务能力拆解为相互独立的原子函数，每个函数单一职责。在 JSON Schema 中严密定义入参约束，通过 Pydantic 等库进行参数合法性强校验。

2.第二步：编写强约束的 System Prompt 与状态机循环

明确角色边界，限定单次任务的最大循环轮数，加入“无法解决时主动向用户澄清”的分支逻辑，杜绝盲目重试。

3.第三步：实施分层记忆与状态持久化

将运行过程中的工作日志与长期实体数据分离存储，对话完成后仅将有价值的业务实体和摘要归档至长期存储介质。

4.第四步：架设安全审计与调用熔断护栏

对所有需要修改系统状态的高危工具（如删除数据、支付退款、对外发邮件）设置人工二次确认节点（Human-in-the-loop），同时监控 API 消费频次，防范并发雪崩。

构建 AI Agent 并不是玄学，它的本质是一门严谨的软件工程：把非确定性的大模型概率推理，通过确定性的规划规则、受约束的记忆读写以及强类型的工具调用，稳固收敛在业务可控的安全边界之内。