在LLM语境下，Agent可以理解为在某种能自主理解、规划决策、执行复杂任务的智能体。
OpenAI应用研究主管翁丽莲(Lilian Weng)撰写过一篇blog: LLM Powered Autonomous Agents，将 Agents 定义为LLM + memory + planning skills + tool use，即大语言模型、记忆、任务规划、工具使用的集合。
定义一些Function传给LLM，由LLM判断是否需要调用以及如何调用。需要制定函数名，函数用途的描述，参数名，参数描述。
根据用户问题，LLM判断是否需要调用Function，如果需要调用，则提取参数。这是Agent调用工具的基础。
根据用户的问题，LLM对复杂问题进行分解，规划出解决问题所需要的步骤，
例如langchain中的PlanAndExecute
短期记忆包括工具的返回值，已经完成的推理路径，一般就是将工具返回结果拼接到prompt中传给模型，一直进行追加；长期记忆包括可访问的外部长期存储，例如知识库
为了回复用户的问题，Agent中LLM需要对工具调用结果进行总结，或者推理，得到答案。
当前Agent有两种主要的实现方式，PlanAndExecute和React。
针对用户的问题，首先规划出需要执行的所有步骤，然后依次执行。
每次只思考当前步骤需要执行什么动作，并根据该步骤的执行结果，再思考下一步需要执行的内容。工作流程如下：
因篇幅问题不能全部显示，请点此查看更多更全内容