AI Agent，这个术语最近被频繁提及。但说实在的，很多人对它的理解并不准确，甚至存在一些根本性的误解。先澄清一个常见的误解：AI Agent不是模型，不是模型，不是模型。重要的事情说三遍。

简单来说，AI Agent是一种能力——一种能够自主理解、规划、执行并最终完成任务的智能袋里。它本质上是一个系统，而不仅仅是一个大语言模型（LLM）的壳。这一点，从目前最成熟的AI编程Agent领域就能看得很清楚。

智能体组成说明

一个完整的AI Agent，绝不是只有一个LLM孤军奋战。它是由多个模块协同配合，才能完成任务的。整体组成如下：

• LLM（大语言模型）
• Prompt（提示词）
• Memory（记忆）
• Context（上下文）
• Skill（技能）
• Tool（工具）
• MCP（模型上下文协议）
• Workflow（工作流）
• Feedback（反馈）

它们之间的关系，可以用一个简化的流程来理解：

 User
 │
 ▼Prompt（目标）
 │
 ▼ AI Agent
 │
 ┌─────────────┼─────────────┐
 │             │             │
 ▼             ▼             ▼
 Workflow     Memory     Tools / MCP
 （流程）     （记忆）     （执行能力）
 │             │             │
 └─────────────┼─────────────┘
               │
               ▼
          Context（工作上下文）
               │
               ▼
          LLM（模型推理）
               │
               ▼
             Result
               │
               ▼
           Feedback
               │
               ▼
       更新 Memory（可选）

LLM（大语言模型）

LLM（Large Language Model）是Agent的大脑，负责理解自然语言、推理分析、代码生成、内容生成和决策。常见的模型包括GPT-5.5、Claude Opus / Sonnet、Gemini 2.5 Pro、Qwen3、DeepSeek。

Prompt（提示词）

Prompt是用户输入的任务目标，也是Agent工作的起点。比如“修复Android Crash”、“优化SiteReport PDF”、“生成Google Play截图”这些，都是Prompt。它是整个任务的入口，决定了Agent要做什么。

Memory（记忆）

Memory是Agent的长期记忆，负责保存用户偏好、项目知识、历史任务、编码规范、企业知识、历史聊天等信息。比如“用户主要开发Android项目，采用MVVM，使用Material3”这样的信息，都会被长期保存，并在后续任务中重复利用。

Context（上下文）

Context和Memory不是一回事。Context是LLM当前工作的全部信息，通常由Prompt + Memory检索结果 + 当前聊天 + 项目代码 + Tool输出 + MCP返回的数据组成。最终，LLM真正工作的对象就是Context，可以理解为“工作区”。

Skill（技能）

Skill是Agent完成任务的方法和经验，可以理解为“最佳实践”。比如Android Skill包含MVVM、Material3、Repository；PDF Skill涉及HTML模板、分页、图片布局；Google Play Skill则包括SEO、标题优化、截图规范。Skill回答的是“怎么做”的问题。

Tool（工具）

Tool是Agent真正能够调用的执行能力，比如Git、Terminal、Gradle、Browser、ADB。当Agent决定“执行./gradlew assembleRelease”时，真正执行的是Terminal Tool。Tool回答的是“用什么做”。

MCP（模型上下文协议）

MCP全称是Model Context Protocol。它不是Tool，而是连接外部工具和服务的标准协议。支持Figma、GitHub、Firebase、Notion、Slack等外部系统。通过MCP，Agent才能访问这些外部系统，所以MCP是Agent与外部世界交互的桥梁。

Workflow（工作流）

Workflow是任务执行的步骤和流程，可以理解为“路线图”。比如“分析→修改→编译→测试→提交”。Workflow回答的是“先做什么，后做什么”。

Feedback（反馈）

Feedback用于检查执行结果，失败则继续优化，成功则结束任务。比如“编译失败→继续修改→再次编译→直到成功”。真正的AI Agent都会形成一个完整的反馈闭环，确保任务最终能达成。

AI Agent 使用流程

AI Agent完成一次任务的大致流程如下：

 用户(User)
 │
 ▼ Prompt（提出任务）
 │
 ▼ Agent（理解任务目标）
 │
 ▼ Workflow（制定执行流程）
 │
 ▼ 检索 Memory + 调用 Tools / MCP
 │
 ▼ 构建 Context（工作上下文）
 │
 ▼ LLM（推理、分析、决策）
 │
 ▼ Tool（执行具体操作）
 │
 ▼ Result（输出结果）
 │
 ▼ Feedback（结果反馈优化）
 │
 ▼ Memory（保存长期有价值的信息）

总结