第 2 章：Agent 核心认知架构

第 2 章：Agent 核心认知架构

本章要点：

• 掌握 ReAct (Reason + Act) 协同推理范式
• 拆解长期记忆与 Vector Embedding 检索的融合方案
• 实现安全的 Function Calling 工具调用接口

---

2.1 规划与推理机制 (ReAct 框架)

ReAct (Reasoning and Acting) 是现代 Agent 最经典且最广为采纳的推理框架。它要求 LLM 在每一步行动前交替进行 思考 (Thought) 与 行动 (Action)：

1. Thought（思考）：分析当前状态、明确解决下一步问题所需的缺失信息。
2. Action（行动）：决定调用的工具名称（Tool Name）与入参（Parameters）。
3. Observation（观察）：从工具执行结果中读取返回的数据并反馈给下一轮 Thought。

Thought: 我需要查询北京今天的天气，然后再推荐适合的户外活动。
Action: weather_api(city="Beijing")
Observation: 北京天气晴朗，气温 22℃，微风。
Thought: 天气非常好，温度适宜，适合公园徒步或户外野餐。
Action: finish(result="北京今日天气晴朗 (22℃)，推荐前往朝阳公园徒步或野餐。")

---

2.2 记忆系统设计

Agent 的记忆系统模拟了人类脑神经的记忆分区：

• 工作记忆 (Working Memory)：受限于 Context Window，存放当前的 Prompt、短期对话上下文。
• 长效记忆 (Episodic Memory)：利用 Embedding 向量化技术存入向量数据库（如 ChromaDB / Qdrant），在需要时通过 Semantic Search 语义检索拉取相关历史经验。

---

2.3 Function Calling 与沙箱安全

在生产环境中，给 Agent 挂载工具时必须注意沙箱隔离与权限控制：

1. 严格模式校验：使用 JSON Schema 对工具参数进行强制校验。
2. 只读与写操作隔离：对于删除数据、发起转账等危险写指令，引入 Human-in-the-Loop（人工确认环节）。

---

2.4 小结与下一章预告

本章剖析了 Agent 内部的 ReAct 推理逻辑与记忆机制。在下一章 第 3 章：多 Agent 协作系统 中，我们将探讨多个 Agent 之间如何像团队一样分工合作。