一、先用一句话理解认知循环

二、认知循环总览

三、环节 1：Perception 感知

四、环节 2：Reasoning 推理

五、环节 3：Planning 规划

六、环节 4：Action 行动

七、环节 5：Learning 学习

八、把认知循环套到你的真实项目

九、认知循环和普通工作流的区别

十、设计 Agent 时的认知循环模板

十一、今天最重要的理解

十二、当天练习

十三、今日产出物

第 4 天预告

今日学习目标

1.1 什么是认知循环？

2.1 五个核心环节

2.2 认知循环流程图

3.1 通俗理解

3.2 感知阶段要收集什么？

3.3 业务案例：AI 调研智能体的感知

3.4 感知阶段的关键问题

4.1 通俗理解

4.2 推理阶段要判断什么？

4.3 业务案例：AI 审核智能体的推理

4.4 推理阶段的关键问题

5.1 通俗理解

5.2 规划阶段要拆什么？

5.3 业务案例：AI 策划智能体的规划

5.4 规划阶段常见问题

6.1 通俗理解

6.2 行动可以包括什么？

6.3 业务案例：AI 项目答疑智能体的行动

6.4 行动阶段的关键问题

7.1 通俗理解

7.2 学习不等于“模型自动进化”

7.3 业务案例：AI 调研智能体的学习

7.4 学习阶段可以设计哪些反馈字段？

8.1 AI 调研智能体完整拆解

8.2 AI 策划智能体完整拆解

8.3 AI 审核智能体完整拆解

练习 1：拆一个真实项目

练习 2：把一句需求改成认知循环

练习 3：判断你的 Agent 是否缺环节

前两天我们已经学了：

天数	学习重点	解决的问题
第 1 天	什么是 Agent	先知道智能体不是普通聊天机器人
第 2 天	Agent 六大特征	知道智能体为什么“像智能体”
第 3 天	Agent 认知循环	理解智能体到底是怎么一步步完成任务的

第 3 天是整套学习里最关键的一天。

因为从今天开始，你不再只是理解概念，而是要学会把一个业务需求拆成智能体工作流程。

原文把 Agent 的核心架构总结为一个持续循环：Perception 感知 → Reasoning 推理 → Planning 规划 → Action 行动 → Learning 学习。这个循环让 Agent 能在动态环境中自主运行、做决策、执行动作，并积累经验。

你可以这样理解：

认知循环，就是 Agent 从“接收信息”到“完成任务”，再到“根据结果优化自己”的完整工作过程。

普通 AI 问答是：

text
用户提问 → AI 回答

Agent 的认知循环是：

text
用户提出目标
   ↓
Agent 感知信息
   ↓
Agent 理解问题
   ↓
Agent 拆解计划
   ↓
Agent 调用工具执行
   ↓
Agent 根据结果优化

这就是普通 AI 和 Agent 最大的差异。

普通 AI 更像“回答问题的人”。

Agent 更像“能办事的人”。

环节	英文	通俗理解	关键问题
感知	Perception	先接收和整理信息	它看到了什么？
推理	Reasoning	理解这些信息意味着什么	它判断出了什么？
规划	Planning	决定下一步怎么做	它准备怎么完成？
行动	Action	调用工具或系统执行	它实际做了什么？
学习	Learning	根据结果优化下一次表现	它有没有变得更好？

记住一句话：

感知解决“知道什么”，推理解决“什么意思”，规划解决“怎么做”，行动解决“去执行”，学习解决“下次更好”。

text
用户输入 / 业务目标 / 系统数据
              │
              ▼
┌────────────────────────┐
│  1. 感知 Perception     │
│  收集输入、上下文、数据  │
└───────────┬────────────┘
            ▼
┌────────────────────────┐
│  2. 推理 Reasoning      │
│  判断意图、问题、优先级  │
└───────────┬────────────┘
            ▼
┌────────────────────────┐
│  3. 规划 Planning       │
│  拆任务、定步骤、选工具  │
└───────────┬────────────┘
            ▼
┌────────────────────────┐
│  4. 行动 Action         │
│  查资料、调接口、生成结果│
└───────────┬────────────┘
            ▼
┌────────────────────────┐
│  5. 学习 Learning       │
│  记录反馈、修正规则      │
└───────────┬────────────┘
            │
            └────→ 进入下一轮优化

原文也强调，这不是一条简单的线性流水线，而是一个带反馈的系统：每个环节会影响其他环节，Agent 会根据新数据、异常情况和变化目标不断调整。

感知就是：

Agent 先要知道发生了什么。

人做事也是一样。

比如领导说：

帮我做一份竞品调研。

你第一步不是马上写报告，而是先收集信息：

你会先看什么	对应 Agent 的感知
竞品名称	用户输入
竞品官网	外部网页
课程详情页	业务数据
公众号文章	内容渠道
小红书笔记	用户反馈和市场信息
历史调研表	内部知识库

Agent 也是一样。

没有感知，就没有后面的推理、规划和行动。

信息类型	示例	用途
用户输入	“帮我调研中医师承竞品”	明确任务目标
上下文	用户之前调研过哪些竞品	避免重复劳动
业务数据	课程价格、招生政策、转化数据	支撑判断
外部信息	官网、公众号、小红书、抖音	获取竞品资料
系统状态	当前任务进度、是否缺资料	判断下一步
用户情绪	着急、质疑、不满意	决定回复策略

原文提到，感知阶段会从用户输入、API、传感器或外部系统中捕获数据，并把原始信息转成适合处理的结构化格式。

感知对象	具体内容
用户输入	竞品名称、调研方向、报告用途
外部资料	官网、课程页、公众号、小红书、抖音
内部资料	过往调研报告、竞品对抗话术、项目资料
用户约束	只看价格、只看私域、只看课程体系
输出要求	表格、报告、PPT、给领导看的简版

如果这个阶段没有设计好，后面就会出现：

问题	后果
输入不完整	报告方向跑偏
数据源不清楚	结论没有依据
没有上下文	重复调研、重复输出
没有结构化	后面无法稳定生成报告

你设计任何 Agent，都要先问：

问题	示例
用户会输入什么？	竞品名称、活动目标、文案内容
Agent 还需要读取什么？	知识库、表格、网页、历史记录
哪些信息必须结构化？	价格、时间、用户画像、风险等级
哪些信息缺失时要追问？	竞品链接、调研范围、输出格式

推理就是：

Agent 不只是看见信息，还要理解这些信息意味着什么。

比如用户说：

帮我看看这个竞品为什么卖得好。

这句话表面上是“看看竞品”。

但 Agent 要推理出：

表面输入	推理后的真实含义
看看竞品	不是简单总结信息
为什么卖得好	重点分析转化路径、卖点、价格、信任背书
帮我看看	可能需要输出判断，而不是资料罗列

也就是说，推理阶段要把“用户的话”变成“任务理解”。

推理内容	示例
用户意图	是查资料、做对比、找问题，还是给建议
问题类型	价格问题、卖点问题、转化问题、合规问题
优先级	是紧急处理，还是普通分析
缺失信息	是否缺竞品链接、项目背景、用户画像
风险点	资料是否过期、来源是否不可靠
输出标准	是给自己看，还是给领导汇报

原文中也提到，推理阶段会把感知到的信息放入上下文中，通过模式识别、推断或模型判断提取含义，让 Agent 理解“不只是发生了什么，更是为什么重要”。

用户输入一段文案：

text
零基础也能一次通过，报名后保证拿证。

Agent 不能只看到文字。

它要推理：

文案内容	推理结果
零基础也能一次通过	可能存在夸大承诺
保证拿证	高风险违规表达
报名后	涉及招生转化场景
整体语气	可能诱导性过强

然后它才能输出：

输出项	示例
风险等级	高风险
风险原因	涉嫌承诺结果
修改建议	改为“系统学习后，有助于提升备考效率”
是否建议人工复核	是

问题	用途
用户真正想解决什么？	防止答非所问
当前信息属于哪类任务？	决定后续流程
有没有隐藏风险？	防止错误输出
是否需要更多信息？	决定是否追问
输出应该偏分析还是执行？	决定结果形态

规划就是：

Agent 把一个大目标拆成一组可执行的小步骤。

这是 Agent 和普通 AI 的核心差异之一。

普通 AI 很容易直接生成结果。

Agent 应该先拆任务。

比如目标是：

生成一份竞品调研报告。

不应该直接写报告，而是先规划：

text
1. 确认调研对象
2. 明确调研维度
3. 收集竞品信息
4. 提取核心字段
5. 做横向对比
6. 总结优势劣势
7. 输出业务建议
8. 生成报告

原文提到，规划阶段会把推理结果组织成连贯的行动序列，拆解目标、评估选项，并根据目标和环境条件排列优先级。

规划内容	示例
任务步骤	先查资料，再整理，再分析
执行顺序	先官网，再社媒，再销售路径
工具选择	搜索工具、知识库、表格工具
判断条件	信息不足时是否追问
异常处理	网页打不开怎么办
输出结构	报告、表格、建议清单

用户输入：

帮我做一个中医师承 7 月招生转化活动方案。

Agent 的规划不应该是“直接写一篇方案”。

而应该是：

步骤	Agent 要做什么
1	识别项目：中医师承
2	识别目标：7 月招生转化
3	识别用户：潜在线索、犹豫用户、老线索
4	拆活动结构：背景、目标、玩法、节奏
5	拆转化路径：公众号、企微、社群、直播
6	拆执行清单：物料、负责人、时间节点
7	生成话术：朋友圈、社群、私聊
8	生成复盘指标：线索数、加微率、转化率

这就叫规划能力。

问题	表现	解决办法
不拆任务	直接生成一大段内容	强制先生成步骤
步骤太粗	“收集资料、分析资料、生成报告”	拆到可执行动作
没有判断条件	信息缺失还硬写	增加追问和缺失提示
没有异常处理	查不到资料就编	设置“无来源不输出”规则
没有验收标准	输出好坏无法判断	提前定义报告字段

行动就是：

Agent 根据规划，真正去调用工具、查询数据、生成结果。

如果 Agent 只有感知、推理和规划，但不能行动，那它只是一个“会分析的顾问”。

真正的 Agent 要能办事。

行动类型	示例
查询知识库	查项目资料、FAQ、政策
调用 API	查客户信息、订单状态、课程数据
搜索外部信息	查竞品官网、公众号、小红书
生成文档	输出报告、方案、话术
更新记录	写入 CRM、补充 FAQ、记录反馈
触发提醒	通知销售、提醒运营、标记风险

原文提到，行动阶段会通过外部工具、API、数据库或系统来执行选定步骤，工程上常通过 function calling 或工具编排层实现。

用户问：

这个项目适合哪些学员报名？

Agent 的行动可以是：

行动步骤	说明
查项目知识库	找项目定位、适合人群
查 FAQ	找历史高频回答
查最新政策	避免旧口径
生成回答	按统一口径输出
标记来源	告诉用户答案来自哪里
记录问题	如果是高频问题，进入 FAQ 优化池

如果它只是“凭模型记忆回答”，风险很大。

如果它能查资料、引用来源、记录问题，就更接近真正的业务 Agent。

问题	示例
Agent 能调用哪些工具？	知识库、网页、表格、CRM
哪些动作需要权限？	查客户数据、写入系统
哪些动作必须人工确认？	群发消息、删除数据、提交审核
行动失败怎么办？	重试、换工具、提示人工介入
行动结果如何记录？	日志、反馈表、任务状态

学习就是：

Agent 根据执行结果和用户反馈，优化下一次表现。

它不是“这次答完就结束”。

它要知道：

反馈问题	学习方向
用户说答案不准	更新知识库或提示词
报告被大量修改	优化报告模板
审核误判	更新风险规则
销售没有采纳建议	调整话术推荐逻辑
方案执行效果差	优化活动策略模型

原文中，学习阶段负责分析行动结果、衡量成功情况，并更新内部模型或记忆系统，让 Agent 能基于成功和失败不断改进。

这里要特别注意。

很多人误以为：

智能体上线后，它会自己越用越聪明。

实际不是这么简单。

真正的学习要依赖反馈机制：

text
用户使用
   ↓
记录结果
   ↓
人工评价
   ↓
归因问题
   ↓
更新知识库 / 规则 / 提示词 / 流程
   ↓
下一轮效果变好

也就是说，学习能力不是喊出来的，而是设计出来的。

使用反馈	Agent 应该学习什么
老师说报告太泛	下次增加“具体转化路径”
老师说价格没写清	固定增加价格字段
老师说建议不可落地	输出建议必须绑定执行动作
老师补充了竞品资料	加入竞品知识库
老师修改了报告结构	更新报告模板

字段	示例
输出是否可用	可用 / 部分可用 / 不可用
问题类型	缺资料 / 不准确 / 太泛 / 格式不对
人工修改内容	老师改了哪些地方
是否加入知识库	是 / 否
是否更新模板	是 / 否
是否需要二次训练或规则调整	是 / 否

环节	具体设计
感知	读取竞品名称、链接、调研方向、历史报告
推理	判断竞品类型、调研重点、缺失信息
规划	拆成资料收集、字段提取、横向对比、建议输出
行动	搜索网页、读取内容、整理表格、生成报告
学习	根据人工修改优化维度、模板和资料库

流程图：

text
用户输入竞品名称
        │
        ▼
┌──────────────┐
│ 感知：收集资料 │
└──────┬───────┘
       ▼
┌──────────────┐
│ 推理：判断重点 │
└──────┬───────┘
       ▼
┌──────────────┐
│ 规划：拆解维度 │
└──────┬───────┘
       ▼
┌──────────────┐
│ 行动：生成报告 │
└──────┬───────┘
       ▼
┌──────────────┐
│ 学习：优化模板 │
└──────┬───────┘
       └────→ 下次调研更准

环节	具体设计
感知	读取项目背景、活动目标、课程卖点、用户画像
推理	判断活动类型、转化难点、用户痛点
规划	拆活动节奏、玩法、渠道、物料、销售承接
行动	生成方案、执行清单、话术、复盘指标
学习	根据活动数据和复盘结果优化策划模板

环节	具体设计
感知	读取待审核文案、发布平台、项目类型
推理	判断风险词、夸大承诺、违规表达
规划	按风险等级拆处理策略
行动	标记问题、说明原因、给出合规改写
学习	根据人工复核结果更新违规案例库

很多人会把 Agent 认知循环理解成普通流程图，但二者不一样。

对比项	普通工作流	Agent 认知循环
流程	固定	可根据情况变化
判断	规则预设	推理和上下文判断
行动	按步骤执行	可选择工具和策略
反馈	通常人工复盘	系统可记录并优化
异常处理	靠人工介入	可重新规划
适用场景	标准流程	复杂、模糊、多步骤任务

一句话：

普通工作流是“按流程走”，Agent 认知循环是“围绕目标动态推进”。

以后你做任何智能体，都可以直接套这张表。

环节	需要回答的问题	你的填写
感知	用户输入什么？系统读取什么？
推理	Agent 要判断什么？
规划	Agent 要拆成哪些步骤？
行动	Agent 要调用哪些工具或输出什么？
学习	Agent 如何根据反馈优化？

示例填写：

环节	AI 调研智能体示例
感知	用户输入竞品名称，系统读取官网、公众号、小红书和历史报告
推理	判断竞品定位、卖点、价格、转化路径
规划	拆成信息收集、字段提取、对比分析、建议输出
行动	生成调研报告、对比表、业务建议
学习	根据人工修改记录，更新调研维度和报告模板

第 3 天你最应该记住这 5 句话：

序号	核心结论
1	Agent 不是一次性生成结果，而是持续完成任务
2	感知决定 Agent 获取的信息是否完整
3	推理决定 Agent 是否真正理解任务
4	规划决定 Agent 能不能把目标拆成可执行步骤
5	行动和学习决定 Agent 能不能真正落地并持续优化

最核心的一句话：

认知循环，是把 AI 从“会回答”变成“会办事”的关键。

建议你用 AI 调研智能体 来练。

环节	你的拆解
感知
推理
规划
行动
学习

原始需求：

text
做一个 AI 审核智能体，自动检查文案是否违规。

改成认知循环描述：

text
AI 审核智能体需要先读取待审核文案、发布平台和项目类型；
再判断其中是否存在夸大承诺、敏感词、广告法风险和平台违规表达；
然后根据风险等级规划处理方式；
接着输出风险标注、原因说明和合规改写建议；
最后根据人工复核结果更新违规案例库和审核规则。

今天学完后，建议你沉淀 3 个东西：

产出物	用途
认知循环总图	帮你向别人解释 Agent 怎么工作
一个项目的五环节拆解表	用于后续需求文档
一套反馈字段	用于后续测试和优化

你可以直接写成这样：

text
Agent 的认知循环包括感知、推理、规划、行动和学习五个环节。
以 AI 调研智能体为例，它先感知用户输入和外部竞品资料，再推理竞品定位、价格、卖点和转化路径，然后规划调研步骤，调用搜索和知识库工具生成报告，最后根据人工修改记录优化调研模板。
这个循环让 AI 不只是生成内容，而是能够围绕调研目标持续完成任务。

AI 项目答疑智能体

第 4 天会学习 Agent 的内部组件架构。

也就是：

text
Cognition Core 认知核心
Profile / Persona 角色层
Tool / Action 工具层
Planning / Feedback 规划反馈层
Knowledge / Memory 知识记忆层
Reasoning / Evaluation 评估层

第 3 天讲的是 Agent 怎么工作。

第 4 天会进一步讲 Agent 内部由哪些模块组成。