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：

text
AI 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：

text
Agent 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：

text
Reactive 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？