AI Agent在做什么的？它是什么？

Agent = LLM(语言模型) + Tools(使用工具) + Memory(记忆) + Plan(规划) MCP（Model Context Protocol）核心是AI模型与外部资源的通信协议，重点偏向于工具的使用； Agent则更倾向于自主决策，然后通过MCP来实现工具的使用；

例如，当AI Agent需要读取企业数据库时，MCP会处理身份验证、数据格式转换和传输加密，而Agent专注于判断何时需要该数据及如何利用结果[10][19]。

模型如何使用工具：(跟我个人猜想的一样)

System Prompt = 
  "如果你需要使用工具，你需要把使用工具的指令放在<tool>和</tool>之间，在用完工具后你会得到输出，输出会放在<output>和</output>之间"(告诉他如何使用工具)
+ "现在你可以使用如下工具：1. 查询天气的函数为temperature(location, time)；2. 计算平方根sqrt(location, time)"(告诉他都有什么工具)
User Prompt = "告诉我北京的天气如何，然后计算根号3是多少，然后告诉我这两者的联系"

LLM如何感知结果？

• 让Agent服务去调用，且这一步对用户隐藏；
• 并且给出结果

    "messages": [
        {
            "role": "system",
            "content": "如果你需要使用工具，你需要把使用工具的指令放在<tool>和</tool>之间，在用完工具后你会得到输出，输出会放在<output>和</output>之间,现在你可以使用如下工具：1. 查询天气的函数为temperature(location, time)；2. 计算平方根sqrt(location, time)"
        },
        {
            "role": "user",
            "content": "告诉我北京的天气如何，然后计算根号3是多少，然后告诉我这两者的联系"
        },
        {
            "role": "assistant",
            "content": "好的，我将先查询北京的天气，然后计算根号3。请稍等片刻。\n\n<tool>temperature(\"北京\", \"现在\")</tool>\n<tool>sqrt(3)</tool>"
        },
        {
            "role": "system",
            "content": "<tool>temperature(\"北京\", \"现在\")</tool><output>30摄氏度</output>\n<tool>sqrt(3)</tool><output>1.732</output>"
        },
    ],

"content":"现在北京的天气是30摄氏度，而根号3的值是1.732。\n\n这两者之间的联系可以从多个角度来理解：\n\n1. **温度与数值**：30摄氏度是一个温度的数值，而1.732是一个数学常数。它们都是数值，但代表不同的物理量。\n\n2. **数学与现实世界**：根号3在数学中常常出现在几何学和三角函数中，而30摄氏度则是我们日常生活中感知的温度。温度影响我们的生活，而数学则帮助我们描述和理解这种影响。\n\n3. **变化与稳定**：天气是动态变化的，可能随时改变，而根号3是一个固定的数学常数，不会改变。\n\n综上所述，虽然这两者在性质上相差甚远，但它们都在各自的领域中扮演着重要的角色。"

我们可以再加上这一行：

        {
            "role": "user",
            "content": "现在，你按照以上格式，去查询上海的天气, 并且告诉我结果"
        }

结果如下：

{
    "role": "assistant",
    "content": 好的，我将查询上海的天气。请稍等片刻。\n\n<tool>temperature(\"上海\", \"现在\")</tool>"
}

Memory

• 短期记忆（工作记忆）： 主要通过上下文来完成； 机制就是：将一些信息当作Prompt输入； 缺点：容易发生上下文丢失

• 长期记忆：也是类似于人脑，检索之后，输入相关的内容；

  • 存储内容：长期记忆通常包括：
  • 关键事实：如用户的职业、兴趣或重要事件。
  • 用户偏好：如喜欢简洁回答或偏好某种语言风格。
  • 历史决策：如用户过去的选项选择或行为模式。
  • 实现方式：长期记忆依赖以下技术：
  • 知识图谱（Knowledge Graphs）：以结构化形式存储实体及其关系，便于复杂推理。
  • 向量数据库（Vector Databases）：如Pinecone，用于存储文本的嵌入表示，支持快速语义检索。