1.3 核心组件：大脑、感知、行动与记忆

一个功能完备的智能体，往往需要感知、规划、记忆、行动等相互协作的功能模块。

本书结合最新的工程实践，提出现代智能体的核心架构，主要包括四个部分：

1. 大脑 (Brain)：负责规划与决策的核心。

2. 感知 (Perception)：信息的输入与处理。

3. 行动 (Action/Tools)：与世界交互的接口。

4. 记忆 (Memory)：经验和知识的存储。

图 1-3：智能体核心组件架构（含可信计算基）

注：可信计算基 (Trusted Computing Base, TCB) 这是生产级智能体的必备措施。智能体虽然聪明，但也最容易被攻击和产生幻觉（非完全可信）。因此，在将行动下发至目标系统前，必须经过一层包含硬编码策略引擎、权限校验和沙箱隔离的 TCB 拦截层。

1.3.1 四大核心组件与思考三维框架

本书第 2–4 章详细拆解了上述四个核心组件的工程实现。但从更宏观的层面看，Agent 时代需要一个新的思考框架来统一目标、上下文和安全约束的工作。

黄东旭在 QCon 2026 提出，任何 Agent 相关的工作都可以归入以下三个维度：

1. Goal（目标工程）

   • Skill：如何定义和表达 Agent 应当掌握的工作流和领域知识

   • 人机交互：如何让用户高效地向 Agent 表达目标意图

2. Context（上下文工程）

   • Harness Engineering / Memory：Agent 执行时看到什么

   • RAG（检索增强生成）：如何动态获取相关信息

   • 信息环境：让 Agent 能够准确建立对任务状态的认知

3. Constraints（约束）

   • Sandbox：Agent 的执行边界

   • CICD/Lint：确定性检查和自动化验证

   • Agent Infra：运行时的安全、权限和可观测性

这个框架的核心洞察是：Agent 的能力不只取决于模型的智力，更取决于这三个维度的设计完整性和平衡。一个初创 Agent 系统可能只需关注目标和基础上下文；但要进入生产环节，约束层的成熟度往往成为瓶颈。

1.3.2 大脑：核心控制器

大脑 由大语言模型（LLM）扮演。它是整个系统的 CPU，所有的逻辑推理、指令遵循和决策都在这里发生。

大脑的效能主要取决于两个维度：静态的角色设定 决定了它的思维底色，动态的推理能力 决定了它的智力上限。

静态维度：角色设定

角色设定可以为一个智能体提供背景信息和行为准则。

• 身份锚定：“你是一个拥有 10 年经验的资深 Python 架构师，性格严谨，甚至有点强迫症。” 这种设定不仅影响说话语气，甚至能提高代码质量。

• 少样本示例（Few-shot Examples）：大脑通过 上下文学习（In-context Learning） 学习。提供 3-5 个“完美互动的样本”，能让大脑迅速领悟当前的某种特定任务模式。

动态维度：推理能力

推理能力是智能体区别于传统软件的关键。主要包括：

• 任务拆解（Decomposition）：大脑需要将用户的模糊指令（“做个贪吃蛇游戏”）拆解为原子任务列表（UI 设计、逻辑实现、输入监听）。

• 规划（Planning）：大脑需要预判步骤的依赖关系。是先查天气还是先订酒店？

• 反思（Reflection）：这是一个高级功能。大脑会在输出结果前进行自我审视：“我生成的这段代码符合最佳实践吗？”

选型提示：

• 高能力模型：适合充当“主脑”，处理复杂的逻辑、规划与反思。

• 轻量模型：适合充当“小脑”或“脊髓”，处理分类、摘要、路由等轻任务，成本更低。

1.3.3 感知：智能体的感官

感知模块负责将环境中的 非结构化信息 转化为大脑可以理解的 结构化信号（通常是文本或嵌入）。

基础感知：文本输入

这是最基础的。包括用户的指令、API 返回的 JSON 数据、错误日志。

高级感知：多模态

现代智能体正在长出眼睛和耳朵。

• 视觉 (Vision)：利用具备视觉能力的多模态模型，智能体可以“看”懂网页内容与界面元素，甚至从截图中定位按钮与表单。

• 听觉 (Audio)：通过语音识别模型，智能体可以接入电话或会议系统，实时转录语音并做出回应。

深度感知：环境状态

对于编程智能体，感知不仅仅是看，还包括对环境的深度读取：

• 读取 IDE 当前打开的文件路径。

• 通过 git diff 感知代码变更。

• 通过 LSP (Language Server Protocol) 感知代码中的语法错误红线。

1.3.4 行动：手与工具

没有工具的智能体只是一个只会聊天的缸中之脑。行动空间（Action Space） 定义了智能体的能力边界。智能体通过工具与外部系统交互，包括信息检索、代码执行、文件操作、系统命令等。这些工具让模型能够突破知识截止、获取实时数据、执行可靠的计算，并对真实世界产生影响。

工具使用的完整机制、类型分类与实现细节详见第四章：工具使用与环境交互。

1.3.5 记忆：经验的载体

LLM 本身是无状态的，上下文窗口 (Context Window) 是昂贵且有限的。记忆模块 旨在解决“健忘”问题。

感觉记忆

即原始的输入流。所有的用户提示词、系统消息最开始都存储在这里。

短期记忆

映射为 LLM 的 上下文窗口。

• 它存放当前正在进行的对话历史。

• 它就像计算机的 RAM，存取速度快，但断电（会话结束）即失。

• 受限：即便一些模型支持更长的上下文窗口，塞入太多无关信息仍会降低推理精度（中间丢失 Lost in the Middle 现象）。

长期记忆

长期记忆通常可以映射为 向量数据库 (Vector DB) 或外部存储。

• 它就像计算机的 硬盘。

• 检索增强生成 (RAG)：当记忆太多放不下 上下文 时，智能体会先在向量库中检索与当前问题最相关的几条片段，只把这几条“回忆”加载到短期记忆中。

• 经验积累：智能体可以将成功的案例总结成经验存入长期记忆，下次遇到类似问题时，表现会更好。

详见第三章：记忆系统架构。

---

下一节: 1.4 智能体的认知层级