随着大模型能力的持续跃升，Agent 技术正从低代码向全自动方向快速演进，多模态文档智能中的分辨率处理也迎来了新的突破。本文将带你系统梳理 Agent 构建的三大主流路线（稳妥低代码、折中交互型、激进全自动），以及多模态视觉大模型在处理图片分辨率时的六种主流策略与三类核心方案，同时帮你有效避开常见的研发陷阱。

一、Agent 应用搭建的 5 个关键问题

Agent 已经成为互联网流量新入口，以 Manus、百度心响、天工超级智能体等为代表的产品不断涌现。站在当前时间节点，我们需要重新审视 Agent 构建的核心逻辑与常见难点。

1. Agent 的构成与核心是什么？

LLM 是 Agent 的大脑，其核心能力在于“逻辑推理”，具体包含以下几个关键部件：

• Planning Skills（任务规划）：对复杂问题进行拆解，获取清晰的解决路径。
• Tool Use（工具使用）：评估自身所需的工具，进行合理选择，并生成调用工具的请求。
• Memory（记忆）：
  • 短期记忆：包括工具返回值、已完成推理路径等实时信息。
  • 长期记忆：涵盖可访问的外部长期存储等持续化信息。