第 4 天学习笔记：Agent 的内部组件架构
今日学习目标
前 3 天我们已经学了：
| 天数 | 学习重点 | 解决的问题 |
|---|---|---|
| 第 1 天 | 什么是 Agent | 知道 Agent 不是普通聊天机器人 |
| 第 2 天 | Agent 六大特征 | 知道 Agent 为什么“像智能体” |
| 第 3 天 | 认知循环 | 知道 Agent 怎么完成任务 |
| 第 4 天 | 内部组件架构 | 知道 Agent 内部由哪些模块协作 |
第 4 天要解决的核心问题是：
一个 Agent 内部到底有哪些模块？这些模块怎么协作，才能让它真正完成任务？
原文强调，一个智能体不只取决于推理能力有多强，也取决于内部组件之间的通信是否顺畅。组件之间的通信路径就像认知系统的“神经网络”，负责把分散的模块连接成统一的智能系统。
一、先用一句话理解 Agent 架构
1.1 Agent 不是一个大模型，而是一套系统
很多人会误以为：
Agent = 大模型 + 提示词。
这个理解太简单了。
更准确地说：
Agent 是以大模型为认知核心，连接角色设定、工具调用、任务规划、知识记忆、评估反馈等模块的一套智能系统。
大模型只是“大脑”的一部分。
真正能让 Agent 办事的，是它周围的一整套能力：
text┌──────────────┐ │ 角色 Persona │ └──────┬───────┘ │ ┌──────────────┐ ▼ ┌──────────────┐ │ 知识/记忆 │ → 大脑 ← │ 工具/行动 │ │ Memory │ Core │ Tools │ └──────────────┘ ▲ └──────────────┘ │ ┌──────┴───────┐ │ 规划/评估 │ │ Planning/Eval │ └──────────────┘
二、Agent 内部组件总览
原文把 Agent 的通信架构放在 Cognition Core / 认知核心 周围，并指出这个核心负责整合输入、协调模块、处理冲突、编排行动，并维持 Agent 状态的一致性。
2.1 六个核心模块
| 模块 | 中文理解 | 像人在做什么 | 主要作用 |
|---|---|---|---|
| Cognition Core | 认知核心 | 大脑中枢 | 统一协调所有模块 |
| Profile / Persona | 角色层 | 人设和岗位职责 | 决定身份、语气、边界 |
| Tool / Action Interface | 工具行动层 | 工具箱和手脚 | 调用外部工具执行任务 |
| Planning / Feedback | 规划反馈层 | 任务管理器 | 拆任务、监控执行、失败重规划 |
| Knowledge / Memory | 知识记忆层 | 资料库和记事本 | 存储知识、上下文和历史经验 |
| Reasoning / Evaluation | 推理评估层 | 质检员和审核员 | 判断准确性、风险和输出质量 |
你可以这样记：
大脑负责协调，角色决定身份，工具负责行动，规划负责任务，记忆负责经验，评估负责把关。
三、模块 1：Cognition Core 认知核心
3.1 通俗理解
认知核心就是 Agent 的“大脑中枢”。
它不是简单负责回答，而是负责协调：
| 它要协调什么 | 示例 |
|---|---|
| 用户输入 | 用户到底想完成什么 |
| 角色规则 | 当前应该以什么身份回应 |
| 知识记忆 | 需要查哪些资料和历史记录 |
| 工具调用 | 该调用搜索、表格、API 还是知识库 |
| 任务规划 | 下一步先做什么 |
| 结果评估 | 输出是否可靠、合规、可用 |
原文说，认知核心更像一个“动态信号调度器”，而不是简单的中央命令系统。它会综合其他模块输入，解决冲突，并保持 Agent 状态一致。
3.2 业务例子：AI 调研智能体的认知核心
用户输入：
帮我调研 3 个中医师承竞品，重点看价格、课程体系、私域转化。
认知核心要做的事不是直接写报告，而是协调各模块：
| 协调动作 | 说明 |
|---|---|
| 理解目标 | 这是竞品调研任务 |
| 激活角色 | 以“竞品分析师”身份工作 |
| 调用记忆 | 查看过往调研模板和历史竞品 |
| 制定计划 | 按价格、课程、私域转化拆维度 |
| 调用工具 | 搜索官网、公众号、小红书、课程页 |
| 评估结果 | 判断资料是否充分、结论是否可用 |
| 输出报告 | 按模板生成结构化内容 |
3.3 认知核心的风险
认知核心太重要，所以也有风险。
| 风险 | 表现 | 解决思路 |
|---|---|---|
| 单点故障 | 核心挂了，整个 Agent 停摆 | 增加降级策略、重试、人工接管 |
| 决策混乱 | 不知道该调用哪个工具 | 明确工具选择规则 |
| 状态混乱 | 上下文丢失、任务跳步 | 设计任务状态管理 |
| 输出不稳定 | 同样输入结果差异大 | 加模板、规则和评估层 |
原文也提到，在真实部署中，认知核心可能带来单点故障问题，因此需要冗余、分布式协调和健康检查机制来保证稳定性。
四、模块 2：Profile / Persona 角色层
4.1 通俗理解
Persona 就是 Agent 的“身份设定”和“行为边界”。
它决定：
| 决定什么 | 示例 |
|---|---|
| 它是谁 | 调研专家、审核员、策划顾问、销售助手 |
| 它怎么说话 | 严谨、简洁、专业、亲和 |
| 它关注什么 | 合规、转化、效率、准确率 |
| 它不能做什么 | 不能编造数据，不能承诺结果 |
| 它输出什么格式 | 表格、报告、清单、话术 |
原文中，Profile / Persona 层定义 Agent 的性格、语气、行为约束，以及它如何对齐用户意图；工程上常表现为系统提示词或角色模板。
4.2 业务例子：不同 Agent 的 Persona
| 智能体 | Persona 设定 | 语气风格 | 核心约束 |
|---|---|---|---|
| AI 调研智能体 | 竞品分析师 | 客观、结构化、重证据 | 无来源不下结论 |
| AI 策划智能体 | 活动策划顾问 | 有创意、重落地 | 必须包含执行清单 |
| AI 审核智能体 | 合规审核员 | 严谨、明确、风险导向 | 不放过高风险表达 |
| AI 项目答疑智能体 | 项目知识助手 | 准确、简洁、统一口径 | 必须基于知识库回答 |
| AI 微信营销助手 | 私域销售助理 | 亲和、转化导向 | 不过度营销，不夸大承诺 |
4.3 角色层怎么写需求
不推荐这样写：
text做一个 AI 调研助手。
推荐这样写：
text该智能体的角色是“职业教育竞品分析师”，需要以客观、结构化、重证据的方式输出调研结论。所有竞品结论必须标注来源；当资料不足时，需要明确提示“资料不足”，不能编造。
这样才是可落地的 Persona 设计。
五、模块 3：Tool / Action Interface 工具行动层
5.1 通俗理解
工具行动层就是 Agent 的“工具箱”和“手脚”。
没有工具层，Agent 只能说。
有了工具层，Agent 才能做。
| 没有工具层 | 有工具层 |
|---|---|
| 我建议你查一下竞品官网 | 自动打开竞品官网读取信息 |
| 你可以整理成表格 | 自动生成对比表 |
| 建议提醒销售跟进 | 自动推送提醒 |
| 这个问题知识库可能没有 | 自动记录知识库缺口 |
原文指出，Tool / Action Interface 负责把 Agent 内部推理出来的意图转成工具调用、API 调用或系统命令，并把执行反馈重新送回认知循环。
5.2 常见工具类型
| 工具类型 | 作用 | 业务例子 |
|---|---|---|
| 知识库检索 | 查内部资料 | 项目答疑、审核规则 |
| 网页读取 | 查外部信息 | 竞品官网、课程页 |
| 搜索工具 | 获取公开信息 | 竞品调研、行业趋势 |
| 表格工具 | 结构化整理 | 竞品对比表、测试用例 |
| CRM / 企微接口 | 读取客户数据 | 销售跟进、私域营销 |
| 消息通知 | 主动提醒 | 外呼后提醒销售 |
| 文档生成 | 输出报告方案 | 调研报告、活动策划 |
5.3 工具层设计要点
| 设计问题 | 说明 |
|---|---|
| Agent 能调用哪些工具？ | 工具清单必须明确 |
| 每个工具什么时候调用？ | 需要调用条件 |
| 调用失败怎么办？ | 需要重试、降级或人工介入 |
| 哪些工具需要权限？ | 涉及客户数据、系统写入要谨慎 |
| 工具结果是否可信？ | 需要来源、时间、置信度 |
工具层是 Agent 落地时最容易出问题的地方。
尤其是生产系统里，工具调用往往最受延迟影响，所以原文也提醒，这一层需要错误处理、重试逻辑和可观测性。
六、模块 4：Planning / Feedback 规划反馈层
6.1 通俗理解
规划反馈层就是 Agent 的“任务管理器”。
它负责两件事：
| 能力 | 通俗解释 |
|---|---|
| Planning 规划 | 把目标拆成任务步骤 |
| Feedback 反馈 | 监控结果，不对就重新规划 |
比如调研智能体发现某个竞品官网打不开，它不能直接编。
它应该：
text官网打不开 ↓ 尝试搜索其他公开资料 ↓ 查公众号/小红书/课程页 ↓ 仍然没有资料 ↓ 提示“该维度资料不足” ↓ 继续完成其他维度
原文提到，Planning / Feedback 层既提供前向策略，也提供后向纠偏；当结果偏离预期，例如 API 超时或任务失败时，这一层会触发重新规划。
6.2 业务例子：AI 策划智能体的规划反馈层
用户输入：
做一个 7 月招生转化活动。
规划层拆解：
| 步骤 | 内容 |
|---|---|
| 1 | 明确项目和活动目标 |
| 2 | 判断目标用户分层 |
| 3 | 设计活动玩法 |
| 4 | 拆转化路径 |
| 5 | 生成物料清单 |
| 6 | 生成销售承接话术 |
| 7 | 输出复盘指标 |
反馈层检查：
| 检查项 | 如果缺失怎么办 |
|---|---|
| 是否有活动目标 | 追问或补默认目标 |
| 是否有用户分层 | 自动补充分层建议 |
| 是否有销售承接 | 主动补齐 |
| 是否有复盘指标 | 增加线索数、加微率、转化率 |
| 是否有执行责任人 | 提示人工补充 |
6.3 规划反馈层的核心价值
| 价值 | 说明 |
|---|---|
| 防止一步到位乱生成 | 先拆任务再执行 |
| 防止失败后中断 | 可以重新规划 |
| 防止输出缺项 | 可以检查完整性 |
| 支持长任务 | 多步骤任务可以持续推进 |
| 支持复杂业务 | 适合调研、策划、审核、销售跟进 |
七、模块 5：Knowledge / Memory 知识记忆层
7.1 通俗理解
知识记忆层就是 Agent 的“资料库 + 记事本”。
它分两类：
| 类型 | 通俗理解 | 示例 |
|---|---|---|
| Knowledge 知识 | 相对稳定的资料 | 项目资料、审核规则、课程卖点 |
| Memory 记忆 | 使用过程中沉淀的信息 | 用户偏好、历史任务、纠错记录 |
原文把 Knowledge / Memory 称为 Agent 的“时间基底”，包括短期工作记忆、长期知识库和事件回忆系统。它让 Agent 能基于历史行动，而不是每次都从零开始。
7.2 短期记忆和长期记忆
| 类型 | 作用 | 业务例子 |
|---|---|---|
| 短期记忆 | 记住当前对话和任务状态 | 当前正在调研哪几个竞品 |
| 长期记忆 | 记住历史经验和固定知识 | 过往竞品报告、项目 FAQ |
| 用户记忆 | 记住用户偏好 | 用户喜欢表格版还是汇报版 |
| 事件记忆 | 记住发生过的任务 | 上次哪个结论被人工修改 |
| 规则记忆 | 记住判断标准 | 哪些词属于高风险违规表达 |
7.3 业务例子：AI 项目答疑智能体的记忆设计
| 记忆内容 | 用途 |
|---|---|
| 项目标准资料 | 保证回答口径统一 |
| 高频问题 | 优化 FAQ |
| 答错问题 | 形成纠错库 |
| 用户追问 | 判断原答案是否不完整 |
| 资料版本 | 避免使用过期口径 |
| 人工修正 | 持续优化知识库 |
7.4 业务例子：AI 调研智能体的记忆设计
| 记忆内容 | 用途 |
|---|---|
| 历史竞品列表 | 避免重复调研 |
| 标准调研维度 | 保持报告结构统一 |
| 优秀报告模板 | 提高输出质量 |
| 竞品历史价格 | 做趋势对比 |
| 老师修改意见 | 优化下一次报告 |
| 常用对抗话术 | 直接转成业务建议 |
7.5 记忆层常见误区
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 什么都存 | 噪音太多，检索变差 | 只存对未来有用的信息 |
| 只接知识库 | 没有任务历史和反馈 | 同时设计任务记忆 |
| 不做版本管理 | 使用旧资料 | 给知识加更新时间和来源 |
| 不区分短期长期 | 上下文混乱 | 分层存储 |
| 不做权限控制 | 数据风险 | 敏感信息分级访问 |
八、模块 6：Reasoning / Evaluation 推理评估层
8.1 通俗理解
推理评估层就是 Agent 的“质检员”。
它负责判断：
| 判断内容 | 示例 |
|---|---|
| 理解是否正确 | 用户是不是要报告，而不是简单摘要 |
| 输出是否准确 | 结论有没有来源 |
| 内容是否完整 | 是否缺价格、卖点、转化路径 |
| 是否存在风险 | 文案是否违规 |
| 是否需要人工介入 | 低置信度、高风险内容 |
原文提到，很多系统不会只依赖一个单一推理引擎，而是分布多个评估器，比如安全检查器、事实准确性审核器、领域专家评审器等，从而形成多层验证。
8.2 业务例子：AI 审核智能体的评估层
| 评估项 | 说明 |
|---|---|
| 广告法风险 | 是否承诺结果、夸大效果 |
| 平台规则风险 | 是否包含敏感词、导流词 |
| 项目口径风险 | 是否和项目标准说法冲突 |
| 情绪风险 | 是否过度刺激、焦虑营销 |
| 改写质量 | 是否合规但仍有转化力 |
| 人工复核条件 | 高风险必须进入人工复核 |
8.3 业务例子：AI 调研智能体的评估层
| 评估项 | 判断标准 |
|---|---|
| 来源完整性 | 是否有官网、社媒、课程页来源 |
| 字段完整性 | 是否包含价格、课程、卖点、转化路径 |
| 结论可靠性 | 是否基于证据，不是主观猜测 |
| 建议可执行性 | 是否能转成业务动作 |
| 报告可读性 | 是否适合领导快速看懂 |
| 缺失提示 | 缺资料时是否明确说明 |
九、Agent 内部组件如何协作
9.1 一个完整协作流程
以 AI 调研智能体 为例：
text用户输入调研目标 │ ▼ ┌────────────────┐ │ Persona 角色层 │ │ 以竞品分析师身份 │ └───────┬────────┘ ▼ ┌────────────────┐ │ Cognition Core │ │ 理解目标并协调模块│ └───────┬────────┘ ▼ ┌────────────────┐ │ Planning 规划层 │ │ 拆调研步骤和维度 │ └───────┬────────┘ ▼ ┌────────────────┐ │ Tools 工具层 │ │ 搜索/读取/整理资料│ └───────┬────────┘ ▼ ┌────────────────┐ │ Memory 记忆层 │ │ 调用历史模板资料 │ └───────┬────────┘ ▼ ┌────────────────┐ │ Evaluation 评估 │ │ 检查完整性和可靠性│ └───────┬────────┘ ▼ 输出报告 │ ▼ 反馈进入记忆层
原文最后强调，Agent 的智能不只来自它“知道什么”或“能做什么”，更来自内部系统之间如何沟通。组件通信设计得越好，Agent 越能保持一致性、可测试性和可扩展性。
十、用你的项目做组件拆解
10.1 AI 调研智能体组件拆解
| 组件 | 具体设计 |
|---|---|
| Cognition Core | 负责理解调研目标，协调搜索、记忆、报告生成 |
| Persona | 职业教育竞品分析师 |
| Tools | 搜索、网页读取、公众号内容提取、表格生成 |
| Planning | 信息收集 → 维度归类 → 横向对比 → 建议输出 |
| Memory | 历史竞品库、调研模板、老师修改意见 |
| Evaluation | 来源完整性、字段完整性、建议可执行性 |
10.2 AI 策划智能体组件拆解
| 组件 | 具体设计 |
|---|---|
| Cognition Core | 理解活动目标，协调模板、案例、执行清单 |
| Persona | 招生转化活动策划顾问 |
| Tools | 活动模板库、课程卖点库、用户画像库、文档生成 |
| Planning | 背景 → 目标 → 玩法 → 节奏 → 物料 → 话术 → 复盘 |
| Memory | 优秀活动案例、转化数据、复盘结论 |
| Evaluation | 方案完整性、执行可落地性、转化路径是否清晰 |
10.3 AI 审核智能体组件拆解
| 组件 | 具体设计 |
|---|---|
| Cognition Core | 判断审核任务类型，协调规则库和改写模块 |
| Persona | 合规审核专员 |
| Tools | 审核规则库、广告法风险词库、平台规则库 |
| Planning | 识别风险 → 分级 → 说明原因 → 改写建议 |
| Memory | 历史违规案例、人工复核结果、常见风险表达 |
| Evaluation | 风险等级准确性、改写合规性、是否需人工复核 |
十一、组件架构和第 3 天认知循环的关系
第 3 天讲的是 流程。
第 4 天讲的是 模块。
它们不是两套东西，而是一体两面。
| 认知循环环节 | 主要依赖组件 |
|---|---|
| 感知 | Tool / Memory |
| 推理 | Cognition Core / Reasoning |
| 规划 | Planning / Feedback |
| 行动 | Tool / Action Interface |
| 学习 | Memory / Evaluation / Feedback |
| 角色约束 | Persona |
| 质量把关 | Evaluation |
你可以这样理解：
text第 3 天：Agent 做事的步骤 第 4 天：支撑这些步骤的零部件
十二、今天最重要的理解
第 4 天你最应该记住这 6 句话：
| 序号 | 核心结论 |
|---|---|
| 1 | Agent 不是一个大模型，而是一套由多个模块协作的系统 |
| 2 | Cognition Core 是协调中心，负责统一理解、规划和调度 |
| 3 | Persona 决定 Agent 的身份、语气、边界和行为规则 |
| 4 | Tool 层决定 Agent 能不能真正办事 |
| 5 | Memory 层决定 Agent 能不能沉淀经验、保持上下文 |
| 6 | Evaluation 层决定 Agent 输出是否可靠、合规、可用 |
最核心的一句话：
Agent 的能力，不只看模型多强，更要看角色、工具、记忆、规划、评估这些模块有没有设计完整。
十三、当天练习
练习 1：拆一个智能体的六大组件
建议你继续用 AI 调研智能体 来练。
| 组件 | 你的设计 |
|---|---|
| Cognition Core 认知核心 | |
| Persona 角色层 | |
| Tool 工具层 | |
| Planning 规划层 | |
| Memory 记忆层 | |
| Evaluation 评估层 |
练习 2：判断你的智能体缺哪个模块
| 项目 | 可能缺失模块 | 表现 | 优化方向 |
|---|---|---|---|
| AI 项目答疑智能体 | Memory / Evaluation | 答错后不能沉淀，低置信答案不提示 | 增加纠错库和置信度评估 |
| AI 调研智能体 | Tool / Memory | 不能自动查资料，不能复用历史调研 | 接入搜索和历史竞品库 |
| AI 策划智能体 | Planning / Evaluation | 方案完整但不落地 | 增加执行清单检查 |
| AI 审核智能体 | Memory / Evaluation | 规则固定，不能学习新风险 | 建立违规案例库 |
练习 3：把功能需求改成组件化需求
原始需求：
text做一个 AI 策划智能体，可以生成活动方案。
组件化写法：
textAI 策划智能体的角色是招生转化活动策划顾问； 认知核心负责理解项目背景、活动目标和用户画像； 规划层负责拆解活动背景、目标、玩法、节奏、物料、话术和复盘指标； 工具层需要调用课程卖点库、优秀案例库和活动模板库； 记忆层沉淀过往活动方案、转化数据和复盘结论； 评估层检查方案是否完整、执行动作是否清晰、销售承接是否到位。
这就比“生成活动方案”更像一个可落地需求。
十四、今日产出物
今天学完后，建议沉淀 3 个东西：
| 产出物 | 用途 |
|---|---|
| Agent 组件架构图 | 用来解释智能体内部结构 |
| 一个项目的组件拆解表 | 用于写需求文档 |
| 模块缺失检查表 | 用于判断当前智能体哪里不完整 |
你可以直接写成这样：
textAgent 不是单个大模型，而是一套由认知核心、角色层、工具层、规划层、记忆层和评估层组成的系统。 以 AI 调研智能体为例，认知核心负责理解调研目标并协调模块；角色层定义它是竞品分析师；工具层负责搜索和读取资料；规划层拆解调研步骤；记忆层沉淀历史竞品和调研模板；评估层检查报告来源、字段完整性和建议可执行性。 只有这些组件协同工作，AI 才能从“生成内容”升级为“完成任务”。
第 5 天预告
第 5 天会学习 Agent 类型选择。
也就是：
textReactive Agent 反应型 Deliberative Agent 规划型 Hybrid Agent 混合型
第 4 天讲的是：
一个 Agent 内部由哪些模块组成。
第 5 天会进一步解决：
不同业务场景到底该用哪种 Agent 架构？
如果这篇对你有帮助，欢迎关注公众号「前端达人」，每周更新实用前端干货。
