1. Agent认知架构基础
各位同学好，我是这门课的主讲。今天咱们聊聊Agent的认知架构，这是整个课程的地基。我做了这么多年AI系统，发现很多人一上来就调模型、写Prompt，结果效果总是不稳定。为什么？说白了，就是没搞懂Agent到底是怎么「思考」的。
核心观点：Agent的智能，不是模型有多强，而是认知架构有多合理。
1.1 什么是Agent规划能力
规划能力，就是Agent把一个大目标拆成小步骤的能力。你想想看，如果让你「去北京出差」，你不会直接瞬移过去对吧？你会先订票、再收拾行李、然后去机场...Agent也是一样的道理。
我遇到过不少团队，他们让Agent直接回答复杂问题，结果答得乱七八糟。后来加了规划模块，效果立竿见影。规划能力本质上包含三个层次：
- 目标分解：把「写一份市场分析报告」拆成「收集数据→分析趋势→撰写结论」
- 步骤排序：哪些先做，哪些后做，有没有依赖关系
- 资源分配：每个步骤需要调用什么工具、多少算力
举个例子，我去年帮一个电商团队做客服Agent。用户问「我上周买的手机还没到怎么办？」。没有规划的Agent会直接回复「请耐心等待」。但有了规划能力的Agent会这样思考：
步骤1: 查询订单状态（调用订单API）
步骤2: 如果已发货，查询物流信息
步骤3: 如果物流异常，生成工单转人工
步骤4: 如果正常，告知预计到达时间你看，这就是规划。每一步都清晰，不会乱来。
1.2 推理能力与认知架构的关系
推理能力，我习惯把它理解为「在信息不全的情况下做判断」。Agent的推理不是靠蒙，而是靠认知架构里预设的推理规则。
认知架构是什么？你可以把它想象成Agent的「大脑结构」。它决定了：
- 信息怎么进来（感知层）
- 信息怎么处理（推理层）
- 行动怎么输出（执行层）
推理能力和认知架构的关系，就像软件和硬件。好的认知架构能让推理更高效。我曾经踩过一个坑：给Agent设计了一个很复杂的推理链，结果每次推理都要调用5次大模型，响应时间直接飙到30秒。后来简化了架构，把一些固定推理规则写死，速度提升了4倍。
我的经验：推理能力不是越强越好，而是越「合适」越好。要根据场景选择推理深度。
1.3 ReAct范式详解
ReAct，全称是Reasoning + Acting。这个范式很有意思，它让Agent边思考边行动，而不是想完了再做。
传统的做法是：先想好所有步骤，然后一步步执行。但现实世界哪有那么完美？你计划好了，结果中间出个意外怎么办？ReAct的思路是：想一步，做一步，观察结果，再想下一步。
我给大家画个流程图，这样更直观：
ReAct的核心代码其实不复杂，我给大家看个简化版：
def react_agent(question):
context = []
max_steps = 5
for step in range(max_steps):
# 1. 观察当前状态
observation = observe(question, context)
# 2. 思考下一步
thought = think(observation)
# 3. 执行行动
action = act(thought)
# 4. 记录结果
context.append(action)
# 5. 判断是否完成
if is_finished(action):
return action
return "任务超时，请重试"注意：ReAct虽然灵活，但容易陷入死循环。我建议设置最大步数限制，比如5步或10步，防止Agent无限思考下去。
1.4 Plan-and-Execute模式介绍
Plan-and-Execute和ReAct正好相反。它是先制定完整计划，再按计划执行。这种模式适合那些「一步错步步错」的场景，比如金融交易、医疗诊断。
我去年帮一家银行做风控Agent，用的就是Plan-and-Execute。因为风控流程非常固定：先查征信、再算负债率、然后评估还款能力...每一步都不能乱。如果用ReAct，Agent可能中间突然去查天气，那就出大事了。
两种模式对比一下：
| 特性 | ReAct | Plan-and-Execute |
|---|---|---|
| 计划时机 | 边做边计划 | 先计划后执行 |
| 灵活性 | 高，能应对突发情况 | 低，按部就班 |
| 稳定性 | 低，容易跑偏 | 高，结果可预期 |
| 适用场景 | 开放域对话、探索性任务 | 固定流程、高精度任务 |
| 响应速度 | 较慢，需要反复思考 | 较快，计划一次执行多次 |
Plan-and-Execute的实现也很直观：
def plan_and_execute(question):
# 第一步：制定完整计划
plan = planner(question)
# 返回类似：["查征信", "算负债率", "评估还款能力"]
# 第二步：按计划执行
for step in plan:
result = execute(step)
if result.get("error"):
# 计划执行出错，可能需要重新规划
plan = replan(plan, result)
continue
save_result(result)
return final_answer()我的建议：实际项目中，我经常把两种模式混着用。核心流程用Plan-and-Execute保证稳定，遇到异常情况切到ReAct灵活处理。这叫「混合架构」，后面章节会详细讲。
小结
这一章我们聊了三个核心概念：规划能力是拆解目标，推理能力是信息不全时做判断，认知架构是支撑这一切的骨架。ReAct和Plan-and-Execute是两种主流范式，各有优劣。
嗯，这里要注意：不要纠结于「哪个更好」，而要思考「哪个更适合你的场景」。我见过太多人把ReAct吹上天，结果用在固定流程上反而搞砸了。选对范式，比调好模型更重要。