AI Agent · 架构图

Agent 运行时架构:Reasoning Loop 闭环迭代

用户一句自然语言需求,Agent 如何在运行时底座上,通过「思考 → 行动 → 观察 → 调整」的闭环循环、按需调用资源与工具,逐步把任务做完。以下为矢量重绘版,可无限放大不失真。

🔁 闭环迭代🧰 资源按需调用🧠 模型反复调用📦 状态持续累积
👤 User 💬 自然语言需求 例如:帮我分析上周的广告投放数据并优化建议 ⚙️ Agent Runtime (Harness) 运行时环境(不负责推理) 🗄️状态管理State 🧠记忆管理Memory 🧩上下文聚合Context 📊预算管理Budget 🔄循环控制器Loop Controller ♻️重试与恢复Retry / Recovery 🔧工具调度器Tool Dispatcher 负责:状态维护 · 上下文聚合 · 循环控制 · 工具调度 · 错误处理 · 资源管理 · 预算控制 全局运行环境 贯穿整个 Agent 生命周期 Runtime Context(状态) 贯穿整个循环 每轮持续更新 💬 会话历史 🗂️ 长期记忆 👤 用户信息 📁 文件·数据 🔧 工具结果 🔣 变量·状态 🔎 RAG 检索 📝 临时草稿 每轮更新 持续累积 🔄 Reasoning Loop(核心控制流:闭环迭代) 直到任务完成或达成退出条件 🧠 Think(思考) · 理解问题· 分析现状· 回忆相关信息· 发现关键点· 形成思路 📋(可选)Plan · 制定计划· 拆解任务· 选择策略· 确定下一步 部分范式中并入 Think ⚡ Act(行动) · 选择要使用的资源(Skill /Workflow / Tool)· 执行行动 👁️ Observe(观察) · 接收结果· 分析反馈· 评估进展· 是否完成?· 需要调整吗? 每轮 Act 时按需调用资源 ↓ 🧰 可调用资源(横向调用,不是顺序流水线) 🛠️ Skills(能力) 高层能力封装 · 直接解决问题 写代码 数据分析 写 PRD SEO 优化 广告优化 合同审查 🔀 Workflow(流程) 多步骤流程 · 实现复杂任务 读取数据 数据清洗 数据分析 生成图表 生成报告 检查与验证 导出结果 🧰 Tools / MCP(工具) 外部工具服务 · API 或 MCP 连接 🐙 GitHub 💬 Slack 🌐 Browser 🗃️ SQL Database 🎨 Figma 📔 Notion 📂 本地文件系统 📧 Email · Calendar 🧩 组装本轮模型输入(动态聚合 Context) System Prompt角色设定 Instructions任务指令 Memory记忆 History历史对话 Tool Schema工具描述 Observations工具结果 Retrieved DocsRAG 检索 ++++++ ↓ 生成本轮 Model Context(输入) 🧠 Foundation Model(基础模型) GPT · Claude · Gemini · Llama … 在循环内被反复调用 负责理解、推理、规划和生成 ✅ 输出:Final Answer(最终答案) 任务完成,返回最终结果 🔧 输出:Tool Call(工具调用) 需要调用工具,返回调用指令与参数 🔧 工具调用流程(由 Runtime 执行) 模型决定调用工具 工具调度器执行工具 返回结果 Observation 👁️ Observation(观察 / 反馈)= 上方 Observe 步骤的实现 将工具结果或其他反馈写回 Runtime Context,更新状态 / 记忆 / 历史,作为下一轮输入 图例 控制流 Control Flow 数据流 Data Flow 关键概念说明 闭环迭代 Think→Act→Observe 循环 不断逼近目标,直到完成 资源按需调用 Skills/Workflow/Tools 在每 轮 Act 阶段按需选择调用 Context 贯穿全程 Runtime Context 持续累积, 每轮动态聚合为模型输入 模型在循环内调用 Foundation Model 每一轮 被调用,输出驱动下一步 工具结果回流 Observation 回流到 Runtime Context,驱动下一轮行动 核心原则 ✓ 资源按需调用 ✓ 状态持续累积 ✓ 模型反复调用 ✓ 形成闭环迭代 💡 这不是一条从上到下的流水线,而是一个持续迭代的智能循环。 Agent 通过不断的思考、行动、观察和调整,逐步完成复杂任务。

矢量图 · 可无限放大不失真 · 依据「Agent 运行时架构 / Reasoning Loop 闭环迭代」示意图重绘