Agent = LLM (大脑) + Planning (规划) + Tool use (执行) + Memory (记忆)

普通的 LLM：One-shot（一次性）响应
Agent ： Iterative（迭代），思考、行动、观察（LLM）循环往复。

LLM 的智力天花板决定 Agent 智力上限

AI 底层架构

核心名词释义

Transformer（核心）：并行处理并深度理解全局上下文，当前大模型核心架构，通过自注意力机制建立 Token 之间关联关系。
Token：模型处理文本最小单位，可为子词、单词、字符或符号。
Prompt：给到模型的输入指令，用来设定角色、控制行为、规范输出格式与目标。
RAG：检索增强生成，先检索外部专业知识库，再交由 LLM 整合生成精准答案。
MCP：模型上下文协议 ( Model Context protocol )，统一 AI 与工具、数据库、外部服务的通信标准。
Agent：在 LLM 基础上叠加目标+规划+执行能力的自主智能系统。
Tool Calling：模型主动识别需求、调用外部工具完成实际操作，不局限纯文本回复。
Memory：为 AI 提供短期会话记忆 + 长期持久记忆，解决上下文遗忘问题。

AI Agent 完整运行流程

用户输入：用户下发指令 Prompt，进入上下文窗口 Context Window。
记忆增强：系统联动 Memory 会话记忆 + RAG 外部知识库，补充上下文与专业知识。
LLM 推理：通过 Transformer 架构对 Token 序列做注意力计算，进行语义理解与初步生成。
Agent 规划：智能体自主判断、拆解任务，决策是否需要多步骤执行或调用外部工具。
工具执行：基于 MCP 协议，调用 API、数据库、搜索引擎等外部能力完成实操。
输出结果：汇总工具返回数据与模型推理结果，整理后返回用户，同时写入记忆存档。