构建 AI Agent：从 ReAct 到 Function Calling

AI Agent 的本质

AI Agent = LLM + 工具使用 + 规划能力 + 记忆系统

ReAct 框架

ReAct (Reasoning + Acting) 是一种让 LLM 交替进行思考和行动的框架。

核心循环

Thought → Action → Observation → Thought → ...

Function Calling

OpenAI 引入的 Function Calling 机制允许 LLM 输出结构化的函数调用：

functions = [
    {
        "name": "search_knowledge",
        "description": "从知识库中搜索信息",
        "parameters": {
            "type": "object",
            "properties": {
                "query": {"type": "string"}
            },
            "required": ["query"]
        }
    }
]

Agent 工作流设计

规划 (Planning)

• 任务分解：将复杂任务拆解为子任务
• 依赖分析：确定子任务之间的执行顺序

执行 (Execution)

• 工具选择：根据当前状态选择合适的工具
• 参数构造：动态生成工具调用参数

观察 (Observation)

• 结果解析：将工具输出转化为内部状态
• 错误处理：处理工具调用失败的情况

记忆系统

1. 短期记忆：当前对话上下文
2. 长期记忆：历史对话摘要 + 向量检索
3. 实体记忆：提取并维护关键实体信息

实践建议

1. 工具设计要遵循单一职责原则
2. 设置最大迭代次数防止死循环
3. 实现完善的日志记录便于调试
4. 考虑引入人类反馈机制 (Human-in-the-loop)