Agent4S｜从 LLM 到 Agent：记忆与工具

以会议记录和天气查询为例，解释Agent如何把历史信息放回上下文，并通过工具调用与执行循环，让大语言模型推进多步任务。

> 作者：胡梓贤　·　[阅读微信原文 ↗](https://mp.weixin.qq.com/s?__biz=MzkyNjY0NjI3NA==&mid=2247485791&idx=1&sn=c89c4fa09f4cedf0a871eda665781192&chksm=c2356032f542e924603e2532ac09ed29f91ea6b0ec810c72c3328f646a9e5854318291169b76#rd)

# Agent4S｜从LLM到Agent：记忆与工具

内容摘要

1、Agent 是围绕大语言模型搭建的任务执行系统。

2、所谓“记忆”，本质上是把历史信息重新组织进当前上下文。

3、工具调用和循环机制，让模型能在多步任务中查、做、再回答。

全文约 1465 字，阅读时间约 3 分钟。

很多人第一次接触 agent，会觉得它像是一种比聊天机器人更高级的 AI。准确地说，agent 不是模型，而是围绕大语言模型搭建的一套任务执行系统[1]。它不仅能回答问题，还能保存状态、调用工具，并在多步过程中持续推进任务，直到任务完成。

## 记忆：让 LLM "记住"对话

从最底层看，LLM 本质是一个函数，根据输入进行输出，并不像人一样有记忆，每一次文本生成请求本身是独立的。但是当我们在网页上和模型对话的时候，模型似乎记住了之前的聊天内容，那么模型是如何实现“记忆”的呢。答案就是每次发送给大模型消息的时候，并不是只发送当前的问题，而是有一个外部程序在管理对话：它会把历史信息保存下来，并在下一轮再次提供给模型。这个外部系统通常被称为agent。

这就引出了“上下文”这个概念。所谓上下文，就是这一次真正送进模型的全部信息：比如系统说明、用户问题、历史对话、检索到的资料，以及工具返回的结果。所谓“记忆”，本质上就是系统在需要的时候，把过去的重要信息重新放回当前上下文。

举个例子：你先把一份会议记录交给系统，让它总结内容；之后你再问“请问会议时间是什么”。你这次提出的问题会被agent 整理起来和前面的历史对话一并交给 LLM，再让 LLM 生成答案。正因为有agent 将历史信息整理发送给模型，模型就表现得像“记住了”会议记录。

Agent 记忆与上下文示意图

*图 1：Agent 通过上下文管理，把历史信息重新放入当前问题，让模型表现出“记忆”。*

## 工具：让 LLM 感知和操作外界

只有记忆还不够，因为模型本身并不能直接接触外部世界。它不知道实时天气，也不能自己去发邮件、查数据库或搜索网页。因此如果你向大模型提问，今天上海的天气，大模型大概率会回复，“抱歉，我无法获得实时天气信息”。要让它获得这些能力，需要给它接上“工具”。工具可以理解成系统额外挂给模型的外部能力：查询天气、检索文档、搜索网页、执行代码，甚至操作其他服务。

工具的使用过程通常是这样的：系统先把可用工具及其参数格式告诉模型；模型判断是否需要调用工具；如果需要，它会输出一个工具调用请求；然后由外部程序真正执行这个工具，再把执行结果返回给模型；最后模型根据结果生成对用户的回答。也就是说，真正动手调用工具的是外部系统，模型负责的是“决定何时调用、调用什么、传什么参数”。

下面图片详细展示了，当用户咨询天气时，信息流动的全过程。这里涉及到四个主题，用户，agent，大模型和工具。用户发出问题，上海的天气。Agent收到问题后，将当前所有的工具，包括天气查询工具，计算器工具以及问题打包发送给LLM。LLM收到Agent传来的信息，告诉Agent需要调用天气查询工具，然后Agent将查询结果以及之前的历史信息一并送给LLM，然后LLM返回问题答案，如此答案才通过Agent返回给用户。

Agent 调用工具的信息流示意图

*图 2：用户、Agent、大模型与天气查询工具之间的信息流动。*

本案例中只使用了查询天气的工具；如果包含多个工具，或者任务更复杂，这一过程会反复发生：系统会基于当前上下文生成下一步动作（例如调用工具），执行后再将结果加入上下文，继续生成后续步骤。这种迭代过程，就是 agent 的循环。

由此就组成了最简单的agent 系统，包括LLM，记忆，工具，循环，让模型不只是“说”，还能够在多步任务中“查、做、再回答”。

再往后发展，人们又提出了不少增强 agent 能力的技术。比如，上下文管理用来解决对话太长、信息太杂的问题；RAG 让系统可以先从外部知识库中检索资料，再交给模型生成答案；ReAct 让模型以推理与行动交替的方式推进任务；MCP 则提供了一种把 AI 应用标准化连接到外部工具和数据源的方法。

通过这些技术，agent 被进一步完备，从而能够完成更加复杂的任务，进行更加长时间的自主运行。

## 参考资料

1. Bilibili. 从 LLM 到 Agent Skill，一期视频带你打通底层逻辑！ https://www.bilibili.com/video/BV1E7wtzaEdq/