KI-Agent-Kernkomponenten

Wenn wir einen KI-Agenten mit einemintelligenten Restaurantvergleichen, wie verwandelt es Ihre Bedürfnisse in Gerichte, die Ihnen serviert werden? Dies beruht auf seinen vier Kernkomponenten:Gehirn, Werkzeuge, Gedächtnis und Planung。

  • Gehirn:Es ist verantwortlich für das Verstehen von Bestellungen, das Festlegen von Zielen und die Entscheidung der Reihenfolge; es ist das Kommandozentrum des Restaurants.
  • Werkzeuge:Es ist verantwortlich für die praktische Ausführung, einschließlich Schneiden und Vorbereiten, Kochen, Einkaufen und anderer Aktionen, und verwandelt Entscheidungen in ausführbare Operationen.
  • Gedächtnis:Es ist verantwortlich für die Aufzeichnung von Kundenpräferenzen, aktuellen Schritten und verarbeiteten Inhalten und stellt sicher, dass der Prozess nicht chaotisch oder repetitiv ist.
  • Planung:Es ist verantwortlich dafür, das gesamte Gericht in Schritte zu zerlegen, die Reihenfolge festzulegen und sicherzustellen, dass Aufgaben den Prozess bis zum Abschluss durchlaufen.


Gesamtarchitektur

Die folgende Abbildung zeigt die fünf Schichten der KI-Agent-Komponenten und ihr Zusammenspiel. Die Wahrnehmungsschicht empfängt externe Eingaben, das Gehirn ist für Verständnis und Entscheidungsfindung verantwortlich, die Planungsschicht zerlegt Aufgaben, die Werkzeugschicht ist für die Ausführung verantwortlich, und die Gedächtnisschicht zieht sich durch alles und bietet Zustandsunterstützung für alle Phasen.


0. Wahrnehmungsschicht (Perception) — Die Rezeption des Restaurants

Rolle: verantwortlich für den Empfang von Kunden und das Verstehen aller Eingaben aus der Außenwelt.

Bevor ein Agent handelt, muss er zunächst externe Informationen „sehen“ und „hören“. Moderne Agents sind nicht mehr auf reine Texteingabe beschränkt; sie besitzenmultimodale Wahrnehmungals Fähigkeit:

  • Texteingabe: natürlichsprachliche Anweisungen des Nutzers, Dokumentinhalte und Code.
  • Bilder / Videos: Screenshots, Designentwürfe und Diagramme; der Agent kann direkt „Bilder ansehen“, um sie zu verstehen.
  • Strukturierte Daten: Tabellen, JSON, Datenbankabfrageergebnisse.
  • Umgebungszustand: Bei computerbedienenden Agents der aktuelle Bildschirmzustand, die DOM-Struktur der Webseite usw.
  • Ergebnisse der Tool-Rückgabe: Die Ausgabe des vorherigen Tool-Aufrufs dient als neue Wahrnehmungseingabe für den nächsten Zyklus.

Die Eingaben der Wahrnehmungsschicht werden integriert und bilden den „aktuellen Kontext“ des Agenten, der an das Gehirn zur Interpretation und Entscheidungsfindung gesendet wird.


1. Gehirn — das ist das große Modell

Rolle: DerKüchenchef und Manager des Restaurants。

Dies ist der zentrale Teil des Agenten (z. B. GPT-4, Claude, DeepSeek, Qwen).

  • Er ist verantwortlich fürdas Verstehendessen, was Sie essen möchten (Absichtsverständnis).
  • Er ist verantwortlich fürdie Anleitunganderer bei der Arbeit (Entscheidungsfindung).
  • Ohne es wäre das gesamte Restaurant lahmgelegt.

Drei Kernaufgaben des Gehirns

FähigkeitBeschreibungRestaurant-Analogie
AbsichtsverständnisNutzereingabe analysieren und klären, was das Ziel istVerstehen, was der Kunde bestellt hat
Schlussfolgern und EntscheidenKontext und Gedächtnis zusammenführen, um zu bestimmen, was als Nächstes zu tun istDer Küchenchef entscheidet, welches Gericht zuerst bearbeitet wird
Beurteilung von Tool-AufrufenBestimmen, ob ein externes Tool aufgerufen werden soll, welches Tool ausgewählt wird und welche Parameter übergeben werdenEntscheiden, welcher Topf verwendet wird und wer die Zutaten kauft
Schlüsselkonzept:Die „intellektuelle Obergrenze“ des Gehirns bestimmt die Obergrenze des gesamten Agenten. Bei gleichem Satz an Tools und Planungsframework führt die Anbindung eines leistungsfähigeren Basismodells oft zu einem qualitativen Sprung bei der Qualität der Aufgabenerfüllung.

2. Tools — Ausrüstung in der Küche

Rolle:Kochgeschirr und Helfer。

Nur einen Küchenchef (Gehirn) zu haben, reicht nicht aus; man braucht auch Töpfe und Pfannen zum Kochen. Für KI-Agenten sind Tools Ausführungseinheiten, die Entscheidungen in reale Aktionen umsetzen.

Tools lassen sich nach Zweck in vier Kategorien einteilen:

KategorieGängige ToolsFunktion
Informationsabruf Websuche, Web-Scraping, Dokumentenlesen, Datenbankabfragen Echtzeit- oder spezialisierte Informationen über das eigene Wissen des Agenten hinaus beschaffen
Berechnung und Ausführung Code-Interpreter, Mathematik-Berechnungsengine, Sandbox-Umgebung Aufgaben bearbeiten, die präzise Berechnung oder Programmlogik erfordern
Inhaltsgenerierung Bildgenerierung, Sprachsynthese, Dokumentenexport Nicht-textuellen Inhalt erzeugen
Systeminteraktion API-Schnittstellen, E-Mail, Kalender, Dateioperationen, Nachrichtenversand Mit externen Systemen, Diensten und der realen Welt interagieren

Beispiele für gängige Tools:

  • Online-Suche Informationsabruf(Wie auf den Markt zu gehen, um frische Zutaten zu kaufen)
  • Code-Interpreter. Berechnungsausführung(wie ein Präzisionsofen, der komplexe Berechnungen erledigt)
  • Zeichentool Generierter Inhalt(Wie ein Anrichtekünstler, verantwortlich für die Ästhetik)
  • API-Schnittstelle Systeminteraktion(Wie ein Lieferkurier, der die Verbindung zur Außenwelt herstellt)
Function Calling:Aktuelle große Modelle verwenden Tools über den Mechanismus „Function Call“. Entwickler definieren im Voraus Toolnamen und Parameterbeschreibungen; das Modell gibt während der Inferenz in strukturierter JSON-Form aus: „Welches Tool ich aufrufen möchte und welche Parameter übergeben werden“, und ein externes Programm ist für die tatsächliche Ausführung verantwortlich und gibt das Ergebnis an das Modell zurück.

3. Gedächtnis — Kundenkartei

Rolle:Das Gedächtnis des Kellners。

Du magst es sicher nicht, jedes Mal, wenn du in ein Restaurant gehst, wiederholen zu müssen: Ich esse keinen Koriander!

Das Gedächtnis von Agenten wird in folgende Typen unterteilt:

  • Kurzzeitgedächtnis (In-Context Memory): das Kontextfenster der aktuellen Unterhaltung. Es merkt sich, was du gerade gesagt hast (z. B. wenn du gerade Fisch bestellt hast und dein nächster Satz „leicht scharf“ lautet, weiß es, dass sich das auf den Fisch bezieht). Begrenzt durch die Kontextlänge des Modells, typischerweise zwischen 8K und 200K Tokens.
  • Langzeitgedächtnis (External Memory): merkt sich deine langfristigen Präferenzen (z. B. dass du Vegetarier bist oder deine Wohnadresse). Üblicherweise durchVektordatenbank(wie Pinecone, Milvus, Chroma) zur persistenten Speicherung.
  • Episodisches Gedächtnis: Eine Aufzeichnung des Ausführungsprozesses historischer Aufgaben, einschließlich „wie ich diese Situation letztes Mal behandelt habe“, die dem Agenten hilft, aus vergangenen Erfahrungen zu lernen.
  • Semantisches Gedächtnis: abstraktes Wissen und Fakten, meist aus Inhalten, die während der Vor-Trainingsphase bereits internalisiert wurden, und kann auch dynamisch durch RAG (Retrieval-Augmented Generation) ergänzt werden.

RAG: Agenten eine „externe Wissensbasis“ geben

Retrieval-Augmented Generation (RAG)ist derzeit die gängigste Lösung zur Implementierung von Langzeitgedächtnis. Der Kernprozess ist wie folgt:

User question Query Vectorized retrieval. Embedding + Search Retrieve relevant content Top-K Chunks Inject context for generation LLM + Context Answer Answer

4. Planung — Kochablaufplan

Rolle:Die SOP der Küche für die Essensausgabe。

Wenn du eine „Buddha Jumps Over the Wall“ bestellst, improvisiert der Chefkoch nicht; stattdessen erstellt er in Gedanken eine Checkliste:

  1. Zuerst Zutaten vorbereiten (Abalone, Seegurke...)
  2. Dann die Brühe köcheln lassen
  3. Zum Schluss langsam garen

Dasselbe gilt für einen Agenten. Wenn du ihm eine komplexe Aufgabe gibst (z. B. „einen Wettbewerbsanalysebericht schreiben“), zerlegt er sie selbstständig:

  • Schritt 1: Informationen über die Wettbewerber A, B und C sammeln.
  • Schritt 2: Ihre Preise und Funktionen vergleichen.
  • Schritt 3: Die Vergleichsergebnisse in einen Artikel schreiben.
  • Schritt 4: Auf Tippfehler prüfen.

Mainstream-Planungsstrategien

Planungsstrategien bestimmen, wie ein Agent „denkt“ und dann „handelt“; verschiedene Strategien unterscheiden sich in der Reasoning-Tiefe und den anwendbaren Szenarien:

StrategieVollständiger NameKernideeAnwendbare Szenarien
CoT Chain-of-Thought Den Reasoning-Prozess Schritt für Schritt aufschreiben, bevor man eine Antwort gibt Mathematisches Reasoning, logische Analyse
ReAct Reasoning + Handeln Zwischen „Reasoning“ und „Handeln“ abwechseln; nach jeder Aktion wird auf Basis des Ergebnisses erneut Reasoning betrieben Dynamische Aufgaben, die Tool-Aufrufe erfordern
ToT Tree-of-Thoughts Mehrere Reasoning-Zweige gleichzeitig erkunden und daraus den optimalen Pfad auswählen Komplexe Entscheidungsfindung, kreative Aufgaben
Reflexion Selbstreflexion Nach Abschluss der Aufgabe überprüft der Agent seine eigene Ausgabe kritisch und korrigiert sie Codegenerierung, Verfassen langer Texte
ReAct-Beispiel:Der Agent erhält die Aufgabe „Prüfe das Wetter in Peking für morgen und sende eine Erinnerung“ →Gedanke: Zuerst muss das Wetter geprüft werden →Aktion: Die Wetter-API aufrufen →Beobachtung: Gibt „Morgen wird es regnen“ zurück →Gedanke: Die Bedingung ist erfüllt, eine Erinnerung muss geschrieben werden →Aktion: Das Nachrichtenversand-Tool aufrufen → Aufgabe abgeschlossen.

5. Agent-Ausführungsschleife (Agent Loop)

Die obigen Komponenten existieren nicht isoliert; sie bilden eine kontinuierlich iterierendeWahrnehmung—Denken—Handeln—Beobachtunggeschlossene Schleife, also den "Agent Loop". Der Agent wiederholt diese Schleife kontinuierlich, bis die Aufgabe abgeschlossen ist oder eine Abbruchbedingung erreicht wird.

Perception Receive input / environment state Thinking LLM reasoning / planning decomposition Action Call tool / Execute operation Observe Get result / Update memory Task complete / Termination condition reached Continue loop (task incomplete)

Diese Schleife verleiht dem Agenten die Fähigkeit,sich bei Fehlern selbst zu korrigierenDie Fähigkeit: Wenn ein Tool-Aufruf in einem Schritt einen Fehler oder ein unerwartetes Ergebnis zurückgibt, speist die Phase "Beobachten" diese Information an das Gehirn zurück, und das Gehirn passt seine Strategie in der nächsten Runde des "Denkens" an.


Zusammenfassung

Wenn Sie zum Agenten sagen:Bitte prüfe morgen das Wetter in Peking; wenn es regnerisch ist, schreibe eine Erinnerung und sende sie an Xiao Wang.

So funktioniert der Agent intern:

  1. Wahrnehmungsschicht: Empfängt die natürlichsprachliche Anweisung und identifiziert die Schlüsselentitäten "Peking", "morgen", "Xiao Wang".
  2. Gehirn: Hört die Anweisung und analysiert zwei bedingte Aufgaben: das Wetter prüfen und, falls es regnet, eine Erinnerung senden.
  3. Planung: Zuerst das Wetter prüfen → feststellen, ob es regnen wird → (wenn ja) eine Erinnerung schreiben → senden.
  4. Tool: Ruft das "Wetterabfrage-Tool" auf und erhält das Ergebnis — morgen wird es regnen.
  5. Gedächtnis: Greift auf die Kontakte (Gedächtnisbank) zu, um Xiao Wangs Kontaktinformationen nachzuschlagen.
  6. Tool: Ruft das "Nachrichtensende-Tool" auf, um die Erinnerung zu senden.
  7. Beobachten: Bestätigt, dass die Nachricht erfolgreich gesendet wurde, die Aufgabe abgeschlossen ist und die Schleife endet.

Laufzeit-Prozessdiagramm:

Die fünf Kernkomponenten auf einen Blick

KomponenteRestaurant-AnalogieKernaufgabenSchlüsseltechnologien
Wahrnehmungsschicht Empfang an der Rezeption Multimodale Eingaben entgegennehmen, Kontext aufbauen Multimodale Modelle, OCR, ASR
Gehirn Chefkoch und Manager Absicht erkennen, Schlussfolgerungen ziehen und Entscheidungen treffen, Befehle ausgeben LLM、Function Calling
Planung SOP für Essenslieferung Aufgabenzerlegung, Schrittsequenzierung, Selbstreflexion ReAct、CoT、ToT、Reflection
Tool Küchenutensilien und Helfer Spezifische Operationen ausführen, Verbindung zur Außenwelt herstellen Suche / Code / API / Dateisystem
Gedächtnis Kundenkartei Kontext verwalten, Langzeitwissen speichern Vektordatenbank, RAG, Kontextfenster
Weitere Erweiterungen