AI Agents

Agent 是一个让模型在环境中持续做决策的执行系统。模型负责解释和选择，工具改变外部状态，runtime 管理上下文、权限、重试、状态与停止条件。

Agent Anatomy

Component	Responsibility
Goal & policy	定义成功、约束、优先级和停止条件
Model	解释状态、提出动作或生成结构化调用
Context	提供当前任务、证据、历史和可用能力
Tools / skills	把动作映射到可验证的外部接口
State & memory	保存 workflow 状态、artifact 与长期信息
Runtime	调度、并发、timeout、retry、checkpoint 和恢复
Guardrails	权限、审批、数据边界、预算和风险控制
Evaluator	判断结果、过程和副作用是否满足 contract

Execution Loop

01Observe

读取目标、环境状态和新的工具结果，区分事实与假设。

02Decide

选择下一动作、所需能力和停止条件，不追求无意义的长计划。

03Act

用结构化参数调用工具，并在高风险外部写操作前经过权限边界。

04Recover

验证结果，处理部分失败、重试、补偿或从 checkpoint 恢复。

Reliability Model

• 工具调用有 schema、idempotency、timeout 和错误分类。
• workflow 状态持久化到可恢复边界，不只存在于 prompt。
• 失败分为可重试、需换策略、需人工决策和永久失败。
• 长任务有 budget、heartbeat、checkpoint 和 cancellation。
• 最终结果包含证据、artifact 和未解决风险。

Safety Model

Capability discovery 与 authority 必须分离：模型知道某个工具存在，不代表拥有调用权限。删除、发布、转账、发信等高影响动作应由明确 policy、scope 和 approval 控制。

Notes

• Model Context Protocol
• Agent Skills
• Long-Term Memory
• Agent Evaluation

设计有效 agent 的一个稳定原则是：优先构建简单、可组合、可观测的 workflow；只有当任务确实需要开放式决策时，才增加自主循环。