2025 AI Agent 技术栈全解析：从 LLM 到自主智能体
你是否曾好奇，那些能自主执行任务、调用工具的 AI "Agent" 是如何运作的？2024 年，我们见证了 AI 技术从简单的聊天机器人向更复杂的智能体转变。但当我们深入研究这些 Agent 时，会发现它们背后的技术栈与我们熟悉的 LLM 技术栈截然不同。
今天，我们就来揭开 AI Agent 技术的神秘面纱，为你梳理这个快速发展的领域，让你不再雾里看花。
从 LLM 到 Agent：一场深刻的进化
在 2022 和 2023 年，我们见证了 LLM 框架和 SDK 的爆发，如 LangChain 和 LlamaIndex。与此同时，LLM 的使用也变得更加方便，无论是通过 API 调用还是自行部署（比如 vLLM 和 Ollama）。
然而，到了 2024 年，大家的目光开始转向更高级的 AI "Agent"。这个概念虽然早在 AI 领域就存在，但在 ChatGPT 时代，它有了新的内涵：能够自主行动、执行任务，并与外部工具交互的 LLM。
这种转变意味着，我们需要一套全新的技术栈来支撑 Agent 的发展。
Agent 技术栈：核心差异在哪里？
Agent 不仅仅是一个会聊天的大模型，它们更像是具备一定自主性的智能体。它们需要管理自己的状态（例如，对话历史和记忆）、调用各种工具，并且安全执行。这使得 Agent 的技术栈和传统的 LLM 技术栈有很大的不同。
让我们从底层到顶层，逐一剖析 Agent 技术栈的关键组成部分。
1. 模型服务：AI 的大脑
核心： LLM。这是 AI Agent 的核心动力。
服务方式： 通过推理引擎提供服务，通常是付费 API 或自己部署。
主要玩家：
- 闭源模型： OpenAI 和 Anthropic 领跑，提供强大的通用能力。
- 开源模型： Together.AI、Fireworks 和 Groq 等提供商开始崭露头角，提供基于 Llama 3 等模型的服务，降低了成本并增加了可控性。
- 本地部署： vLLM 成为生产级 GPU 服务的主流选择，而 Ollama 和 LM Studio 则深受个人爱好者的喜爱，适合隐私敏感场景。
2. 存储：记忆的基石
核心： 持久化状态，如对话历史、记忆和外部数据。
关键技术：
- 向量数据库： Chroma、Weaviate、Pinecone、Qdrant 和 Milvus 等用于存储 Agent 的'外部记忆'，应对大容量数据的检索增强生成（RAG）需求。
- 传统数据库： Postgres 通过 pgvector 扩展也开始支持向量搜索，简化了架构复杂度。
为何重要？ Agent 是有状态的，需要长期存储和检索信息以维持上下文连贯性，避免重复询问。
3. 工具与库：能力的扩展
