资料内容：
什么是智能体系统？
智能体系统本质上是一种计算实体，能够感知其环境（包括数字和物理环境），根据这
些感知和预设或学习到的目标做出决策，并自主执行行动以实现目标。与传统软件严格
按照固定步骤执行不同，智能体具备一定的灵活性和主动性。
假设你需要一个系统来管理客户咨询。传统系统可能只会按照固定脚本操作。而智能体
系统则能感知客户问题的细微差别，访问知识库，与其他内部系统（如订单管理）交
互，甚至主动提出澄清问题，并预见客户的后续需求。这些智能体在你的应用基础设施
画布上运行，利用可用的服务和数据。
智能体系统通常具备如下特性：自主性，无需持续人工干预即可行动；主动性，能主动
采取行动实现目标；响应性，能有效应对环境变化。它们本质上是目标导向的，始终致
力于实现目标。一个关键能力是工具使用，即能与外部 API、数据库或服务交互Ջ有
效地突破自身的限制。它们拥有记忆，能在多次交互中保留信息，并能与用户、其他系
统或同一/关联画布上的其他智能体进行通信。
要有效实现这些特性，系统复杂度会显著提升。智能体如何在画布上跨多步保持状态？
如何决定何时、如何使用工具？不同智能体之间的通信如何管理？如何为系统构建弹性
以应对意外结果或错误？
为什么模式对智能体开发至关重要
正因如此，智能体设计模式变得不可或缺。它们不是死板的规则，而是经过实战检验的
模板或蓝图，为智能体领域的标准设计与实现挑战提供成熟的解决方案。识别并应用这
些设计模式，可以提升你在画布上构建智能体的结构性、可维护性、可靠性和效率。
使用设计模式能避免你为诸如对话流程管理、外部能力集成或多智能体协作等基础任务
重复造轮子。它们为你的智能体逻辑提供了通用语言和结构，使代码更易于理解和维
护。实现专为错误处理或状态管理设计的模式，能直接提升系统的健壮性和可靠性。借
助这些成熟方法，你可以专注于应用的独特创新，而不是智能体行为的底层机制。
本书提炼了 21 个关键设计模式，作为在不同技术画布上构建复杂智能体的基础模块和
技术。理解并应用这些模式，将极大提升你设计和实现智能系统的能力。
智能体的特征
简单来说，智能体是一种能够感知环境并采取行动以实现特定目标的系统。它是从传统
大语言模型（LLM）演化而来，具备规划、工具使用和环境交互等能力。可以 把智能体
想象成一个能在工作中不断学习的智能助手。它遵循一个简单的五步循环来完成任务
（见图 1）：
1. 获取任务目标：你给它一个目标，比如“帮我安排日程”。
2. 扫描环境信息：它会收集所有必要的信息Ջ阅读邮件、检查日历、访问联系人
Ջ以了解当前状况。
3. 制定计划：它会思考并制定实现目标的最佳方案。
4. 执行行动：它会发送邀请、安排会议、更新你的日历来落实计划。
5. 学习与优化：它会观察结果并不断调整。例如，如果会议被重新安排，系统会从中
学习以提升未来表现。
Level 0：核心推理引擎
LLM 本身并不是智能体，但可以作为基础智能体系统的推理核心。在“Level 0”配置
下，LLM 不具备工具、记忆或环境交互能力，仅依靠预训练知识进行响应。它擅长解释
已知概念，但完全无法感知最新事件。例如，如果 2025 年奥斯卡最佳影片不在其训练
数据中，它就无法回答。
Level 1：连接型问题解决者
此阶段，LLM 通过连接外部工具成为真正的智能体。它的问题解决能力不再局限于预训
练知识，而是能执行一系列操作，从互联网（搜索）或数据库（RAG）等渠道收集和处
理信息。详细内容见第 14 章。
例如，查找新电视剧时，智能体会识别需要最新信息，使用搜索工具获取并整合结果。
它还能调用专业工具提升准确率，比如通过金融 API 获取 AAPL 的实时股价。跨步骤与
外部世界交互，是 Level 1 智能体的核心能力。
Level 2：战略型问题解决者
此阶段，智能体能力大幅提升，具备战略规划、主动协助和自我优化，提示工程与上下
文工程成为核心技能。
首先，智能体不再只用单一工具，而是通过战略性问题解决应对复杂多步骤任务。执行
过程中，它主动进行上下文工程：即为每一步战略性筛选、打包和管理最相关的信息。
例如，查找两地之间的咖啡馆，智能体先用地图工具获取信息，再将输出内容（如街道
名列表）精简后传递给本地搜索工具，避免信息过载，确保高效准确。要让 AI 达到最
高准确率，必须提供简短、聚焦且高效的上下文。上下文工程正是通过战略性筛选和管
理关键信息，实现模型注意力的有效分配。详细内容见附录 A。
这一阶段还带来主动、持续的操作。例如，旅行助手连接邮箱后，会从冗长的航班确认
邮件中提取关键信息（航班号、日期、地点），再打包给日历和天气 API。
在软件工程等专业领域，智能体通过上下文工程管理整个工作流。收到 会读取报告和代码库，
并将大量信息精炼为高效上下文，从而高效编写、测试和提交正 bug 报告后，它
确的代码补丁。
最后，智能体通过优化自身上下文工程实现自我提升。它会主动请求反馈，学习如何更
好地整理初始输入，从而自动优化未来任务的信息打包方式，形成强大的自动反馈循
环，不断提升准确率和效率。详细内容见第 17 章。
