LLM 融入软件架构核心后，软件从被动工具升级为主动智能体，人机交互从 “命令 - 控制” 转向 “意图 - 协作”，Agent 是具备感知、记忆、推理、行动能力的数字新物种。
1. 交互范式升维
- CLI/GUI 时代：人机交互单元是指令 / 点击，人负责 “怎么做”，机器仅执行。
- Agent 时代：交互单元是对话 / 意图，机器理解意图、自主处理，降低用户认知负荷。
2. 核心能力：意图理解
Agent 是意图编译器，搭建人类模糊语言与机器精确指令的桥梁，分 4 层：
- 语义理解：提取动作、对象、范围、约束。
- 目的识别：洞察显性指令背后的隐性目标。
- 上下文关联：结合代码、目录、偏好、历史等环境信息。
- 风险澄清：意图模糊时主动提问，避免误操作。
3. 记忆与身份：自我连续性
- LLM 无状态，Agent 通过上下文工程实现 “记忆幻觉”。
- 短期记忆：保持会话上下文，支持多轮一致推理。
- 长期记忆：沉淀用户偏好、历史行为，形成持续身份。
1. 上下文工程：Agent 的 “数字感官”
- 本质：将现实世界状态序列化、结构化投射给模型，决定 Agent 判断质量。
- 三大来源：
- 用户上下文：开发风格、技术栈、工作内容。
- 环境上下文：文件结构、代码、日志、运行状态。
- 任务上下文：任务进度、依赖、工具调用历史。
- 技术趋势：选择性上下文、结构化摘要、图结构上下文、优先级排序。
2. 任务分解：目标→计划→执行
- 核心：把模糊目标拆解为可执行步骤，是 Agent 智能化关键指标。
- 三步法：理解目标→确定路径→管理执行。
- 关键特性：动态规划 + 自我审查，执行中可调整计划，提前校验合理性。
3. 工具、技能与行动策略：影响真实世界
（1）工具调用：Agent 的 “数字具身性”
- 工具需包含：功能描述、参数约束、副作用声明。
- 标准协议：MCP、Function Calling、LangChain Tools。
（2）技能：工具 + 领域知识 + 标准流程
- 工具：原子化操作（执行 SQL、读写文件）。
- 技能：业务化能力（生成财报、代码审查），封装企业知识与安全规范。
（3）核心循环：ReAct 范式
思考→行动→观察，形成动态闭环推理，支持试错与自我修正。
（4）行动安全：三道防线
- 只读沙箱：探索阶段仅允许无副作用操作。
- 人类介入（HITL）：高风险操作需人工批准。
- 确定性护栏：底层嵌入硬性安全规则（禁止删系统文件）。
- Copilot：人主导，AI 辅助。
- Autopilot：AI 主导，人监督（设定目标、审查计划、关键决策）。
- 人从操作员变为监督者 + 评估者。
- 感知：上下文映射，获取外部世界状态。
- 推理：任务拆解、思维链推理。
- 行动：工具调用，产生环境副作用。
- 核心：非线性管道，而是持续循环进程，实现自主智能。
- Agent 不是脚本，是有记忆、能思考、会行动的数字伙伴。
- 两大核心工程：上下文工程（看得清）+任务分解（做得对）。
- 安全底线：工具调用必须搭配行动策略 + 人类介入。
- 终极价值：从 “设计系统” 变为 “培育智能物种”。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/255986.html