AI Agent 架构详解：感知 - 决策 - 执行的三位一体

感知模块 Perception

自然语言理解

多模态感知

环境状态检测

决策模块 Planning & Reasoning

任务分解

计划生成

推理链构建

记忆模块 Memory

工作记忆

情景记忆

语义记忆

感知模块：Agent 的"眼睛和耳朵"

感知模块是 Agent 与外部世界的接口，核心任务是将外部的各种信息转化为 Agent 能够理解和处理的内部表示。

根据 arXiv 2602.01644《From Perception to Action: Spatial AI Agents and World Models》的研究，Agent 的感知可以分为三种类型：

• 自然语言感知：最常见的类型，适用于大多数文本交互场景。当用户输入一段文字时，Agent 需要进行意图识别、实体抽取、情感分析和上下文理解。比如用户说"帮我订一张明天下午去上海的机票"，Agent 需要识别出意图是预订机票，实体包括时间（明天下午）和目的地（上海），隐含信息是出发地需要从用户历史或当前定位推断。
• 多模态感知：用于处理图像、音频、视频等非文本信息。这在图像理解、语音识别、视频分析、传感器数据处理等场景特别重要。比如机器人 Agent 需要处理摄像头、雷达等传感器数据。
• 环境状态感知：对于需要在特定环境中运行的 Agent（如机器人、游戏 AI）至关重要，包括系统状态、外部环境和任务进度的感知。

在实际开发中，感知模块的设计需要注意几个问题：

首先是准确性和响应速度的平衡。过于复杂的感知模型可能准确但响应慢，影响用户体验；过于简单的模型可能快速但容易出错。建议对于关键决策使用更准确的模型，对于简单交互可以使用轻量级模型。

其次是错误处理和容错。感知模块是 Agent 的入口，如果感知出错后续所有决策都会受影响，因此需要实现置信度评估，当感知不确定时主动询问用户。

最后是多模态融合。当 Agent 支持多种输入模态时，需要考虑时间同步、权重分配和冲突处理。

决策模块：Agent 的"大脑"

决策模块是 Agent 的核心，负责将目标分解为可执行的子任务并生成行动计划。这是 Agent 智能的体现，也是不同 Agent 架构的主要区别所在。

目前主流的 Agent 决策架构有三种：ReAct、Plan-and-Execute 和 Pre-Act。

ReAct：思考 - 行动 - 观察的循环

ReAct（Reasoning + Acting）是最经典的 Agent 架构，由 Yao 等人在 2022 年提出（arXiv 2210.03629）。核心思想很简单：交替进行思考和行动，每一步行动后观察结果，再决定下一步。

一个典型的 ReAct 执行流程是这样的：

问题：北京和上海的人口总和是多少？ Thought 1: 我需要先查询北京的人口 Action 1: search("北京人口") Observation 1: 北京常住人口约 2189 万人 Thought 2: 现在我需要查询上海的人口 Action 2: search("上海人口") Observation 2: 上海常住人口约 2487 万人 Thought 3: 现在我可以计算总和了 Action 3: calculator("2189 + 2487") Observation 3: 4676 Final Answer: 北京和上海的常住人口总和约为 4676 万人 

ReAct 的优点是简单直观易于理解和实现，实时响应环境变化适应性强，每一步都有明确的推理过程可解释性好。缺点是缺乏长期规划容易陷入局部最优，对于复杂任务可能需要很多步骤才能完成，每一步都调用 LLM 成本较高。

Plan-and-Execute：先规划后执行

Plan-and-Execute 架构将决策分为两个阶段：规划阶段生成完整计划，执行阶段按计划执行。

一个典型的执行流程是：

目标：分析销售数据并生成报告 【规划阶段】 1. 读取销售数据文件 2. 数据清洗和预处理 3. 计算关键指标（总销售额、增长率等） 4. 生成可视化图表 5. 撰写分析报告 6. 导出报告文件 【执行阶段】 逐步执行每个步骤... 

Plan-and-Execute 的优点是适合长程任务有明确的执行路径，计划可以复用提高效率，减少认知负载不需要每步都重新思考。缺点是计划可能不适应环境变化，如果规划出错整个执行都会失败，需要设计两个模型（Planner 和 Executor）。

Pre-Act：规划与推理的结合

Pre-Act（arXiv 2505.09970）是较新的架构，试图结合 ReAct 的灵活性和 Plan-and-Execute 的结构性。核心思想是在执行前生成多步计划，但每步计划包含详细推理，执行后动态更新计划。

目标：研究 AI Agent 的最新进展 Step 1: 搜索近期 AI Agent 相关论文 Reasoning: 需要先了解学术界的最新研究 Expected: 获得 5-10 篇相关论文 Step 2: 阅读并总结论文要点 Reasoning: 提取关键信息用于后续分析 Expected: 每篇论文的核心贡献 Step 3: 整理技术趋势 Reasoning: 从论文中归纳共性趋势 Expected: 3-5 个主要技术方向 

Pre-Act 的优点是结合了两种架构的优点，支持动态调整适应性强，推理过程清晰可解释性好。缺点是实现复杂度较高，计算成本较高，需要更多的工程实践。

三种架构对比

如何选择决策架构？

• 选择 ReAct：任务相对简单步骤较少，需要实时响应用户，环境变化频繁需要灵活调整。比如问答系统、简单搜索、客服机器人。
• 选择 Plan-and-Execute：任务流程相对固定，需要处理长程任务，可以预先规划完整流程。比如数据分析流程、报告生成、工作流自动化。
• 选择 Pre-Act：任务复杂需要深度推理，需要平衡结构性和灵活性，对可解释性要求高。比如研究助手、复杂决策支持、多步骤分析。

执行模块：Agent 的"手脚"

执行模块负责将决策转化为具体行动，这是 Agent 与外部世界交互的桥梁，也是 Agent "能做事"的关键。执行模块的核心是工具调用，Agent 通过调用各种工具来完成具体任务。

一个工具通常包含以下要素：

• 名称：工具的唯一标识
• 描述：工具的功能说明，帮助 Agent 理解何时使用
• 参数模式：工具接受的参数类型和格式
• 执行函数：实际执行操作的代码

常见的工具类型：

工具调用的流程是：Agent 决定使用某个工具 → 构造工具调用参数 → 执行工具 → 获取执行结果 → 将结果反馈给决策模块。

在实际开发中，工具的设计直接影响 Agent 的能力：

• 工具粒度要适中：太粗粒度的工具难以组合使用，太细粒度的工具会增加调用次数。不好的设计是一个工具做所有事情比如 analyze_everything(data)，好的设计是分成 load_data、clean_data、analyze_data、visualize_data、export_report 等可组合的工具。
• 工具描述要清晰：这是 Agent 理解工具用途的关键，描述应该包含工具的功能、适用场景、参数说明和返回值说明。
• 错误处理要完善：工具调用可能失败，需要参数验证、异常捕获、错误返回和重试机制。
• 安全性很重要：工具调用涉及外部操作，需要权限控制、输入过滤、资源限制和日志记录。

记忆模块：Agent 的"记忆系统"

记忆模块让 Agent 能够保持上下文连续性，积累经验，从历史中学习。根据 Microsoft Sam Schillace (2024) 的观点：'要实现自主性，必须在一系列行动中保持上下文连续性'。

Agent 的记忆系统通常分为三种类型，类比人类的记忆系统：

• 工作记忆 (Working Memory)：存储当前任务的相关信息，类似于人类的"短期记忆"。特点是容量有限（通常 5-10 个信息块）、访问速度快、任务结束后清空。用途包括存储当前对话上下文、保存中间计算结果、记录当前任务状态。
• 情景记忆 (Episodic Memory)：存储历史交互记录，类似于人类的"事件记忆"。特点是按时间顺序组织、支持时间范围查询、长期存储。用途包括记录用户历史请求、保存任务执行历史、支持用户行为分析。
• 语义记忆 (Semantic Memory)：存储概念知识和事实，类似于人类的"知识库"。特点是按概念组织、支持语义检索、长期存储。用途包括存储领域知识、保存用户偏好、积累经验知识。

记忆的价值在于能够被有效检索和使用。常见的检索策略：

• 基于时间的检索：检索最近的记忆
• 基于重要性的检索：检索最重要的记忆
• 基于相关性的检索：使用向量相似度计算
• 混合检索：结合多种策略

随着使用时间增长，记忆会越来越多，需要有效的管理策略：遗忘机制定期清理不重要的记忆，记忆压缩将多个相关记忆合并为摘要，记忆优先级为记忆分配优先级，记忆更新当新信息与旧记忆冲突时更新旧记忆。

三、完整 Agent 实现示例

以 ReAct Agent 为例展示一个完整的实现，这里只展示核心逻辑，完整代码可以参考开源项目如 LangChain 的实现。

class ReActAgent:
    def run(self, query: str) -> str:
        trajectory = []  # 记录执行轨迹
        for iteration in range(self.max_iterations):
            # 1. 思考：决定下一步做什么
            thought = self.think(query, trajectory)
            # 2. 检查是否完成
            if thought.is_final:
                return thought.answer
            # 3. 执行动作
            result = self.execute(thought.action, thought.action_input)
            # 4. 记录观察
            trajectory.append({
                "thought": thought.reasoning,
                "action": thought.action,
                "observation": result
            })
        return "达到最大迭代次数，未能完成任务"

关键实现细节：

• Prompt 设计：引导模型按照 Thought-Action-Observation 的格式输出
• 输出解析：从模型输出中提取 Thought、Action、Action Input 等字段
• 工具选择：根据 Action 名称选择对应的工具执行
• 迭代控制：设置最大迭代次数防止无限循环

Plan-and-Execute Agent 的实现分为两个阶段：

class PlanAndExecuteAgent:
    def run(self, goal: str) -> str:
        # 1. 生成计划
        plan = self.planner.plan(goal)
        # 2. 执行计划
        results = []
        for step in plan.steps:
            result = self.executor.execute(step)
            results.append(result)
        # 可选：根据执行结果调整后续计划
        if self.need_replan(result):
            plan = self.replan(plan, result)
        # 3. 综合结果
        return self.synthesize(goal, results)

关键实现细节：

• Planner 和 Executor 分离：可以使用不同的模型
• 计划表示：包含步骤描述、依赖关系、预期输出等
• 动态调整：执行过程中根据结果调整计划

在实际开发 Agent 时，有几点经验值得参考：

• 不要一开始就追求复杂的架构，先实现一个简单的 ReAct Agent 验证核心流程，再逐步增加功能。
• Agent 的能力很大程度上取决于工具的设计，花时间设计好工具接口比优化 Agent 架构更重要。
• Agent 执行过程中可能遇到各种错误：工具调用失败、模型输出格式错误、网络超时等，完善的错误处理是 Agent 可靠性的保障。
• 记录 Agent 的执行过程，包括每一步的决策、工具调用、结果等，这对于调试和优化至关重要。
• 建立用户反馈机制，让用户能够纠正 Agent 的错误决策，这不仅能提升用户体验，还能收集训练数据。

四、架构选型指南

简单单步

中等复杂

高度复杂

是

否

架构选型

任务复杂度？

ReAct

是否需要动态调整？

Pre-Act

Plan-and-Execute

示例：问答、简单搜索、客服

示例：数据分析、报告生成、工作流

示例：研究助手、复杂决策、多步骤分析

开发中常见的问题：

• Agent 容易陷入循环怎么办？ 设置最大迭代次数并实现循环检测机制，当检测到 Agent 在重复相同的动作时主动干预。
• Agent 的决策不可控怎么办？ 在 Prompt 中明确约束，实现人工确认机制，记录决策过程支持事后审计。
• 工具调用失败怎么处理？ 实现重试机制，提供备选工具，当工具不可用时优雅降级。
• 如何评估 Agent 的效果？ 关注任务完成率、平均步骤数、用户满意度、成本效益比。

五、最佳实践

• 感知优先：确保 Agent 能准确理解环境和用户意图，感知是所有后续决策的基础，感知出错会导致连锁错误。
• 渐进规划：从简单架构开始，根据实际需求增加复杂度，不要过度设计，先用起来再优化。
• 记忆设计：根据任务特点选择合适的记忆类型。短对话用工作记忆即可，长对话需要情景记忆，知识密集型需要语义记忆。
• 工具抽象：设计清晰、可组合的工具接口，好的工具设计能让 Agent 的能力大幅提升。
• 错误处理：实现健壮的错误恢复机制，Agent 在真实环境中运行，必须能够处理各种异常情况。

技术选型方面：

• 框架：LangChain、AutoGen、CrewAI 等成熟框架可以加速开发
• 模型：根据任务复杂度选择，简单任务用小模型，复杂任务用大模型
• 存储：向量数据库用于语义记忆，关系数据库用于结构化数据

工程实践方面：

• 对 Prompt 和工具定义进行版本控制
• 建立测试用例库覆盖常见场景和边界情况
• 实时监控 Agent 的执行状态和性能指标
• 详细记录执行过程便于调试和优化

六、总结

AI Agent 的核心在于感知 - 决策 - 执行的闭环：

• 感知：理解环境提取关键信息，是 Agent 的"眼睛和耳朵"
• 决策：规划行动分解任务，是 Agent 的"大脑"
• 执行：调用工具与环境交互，是 Agent 的"手脚"
• 记忆：保持上下文积累经验，是 Agent 的"记忆系统"

架构选择上，ReAct 简单灵活适合快速响应的简单任务，Plan-and-Execute 结构清晰适合流程固定的长程任务，Pre-Act 平衡两者适合需要深度推理的复杂任务。

核心观点是：没有最优架构，只有最适合场景的架构。从简单开始，根据实际需求逐步演进。

未来展望：随着多模态大模型的发展，Agent 的感知能力将更加强大；随着推理模型的进步，Agent 的决策能力将更加智能；随着工具生态的丰富，Agent 的执行能力将更加强大。AI Agent 正在从"能对话"走向"能做事"，这将是人工智能应用的下一个重要方向。

参考文献

1. Yao, S., et al. (2022). 'ReAct: Synergizing Reasoning and Acting in Language Models.' arXiv:2210.03629
2. Erdogan, et al. (2025). 'Plan-and-Act: Improving Planning of Agents for Long-Horizon Tasks.' arXiv:2503.09572
3. Pre-Act Paper (2025). 'Multi-Step Planning and Reasoning Improves Acting in LLM Agents.' arXiv:2505.09970
4. 'AI Agents: Evolution, Architecture, and Real-World Applications.' arXiv:2503.12687
5. 'Agentic AI: A Comprehensive Survey of Architectures.' arXiv:2510.25445
6. WEF (2025). 'AI Agents in Action: Foundations for Evaluation and Governance'