前面，在讲述AI AGENT设计模式时，从最经典的ReAct模式开始，沿着规划路线介绍了REWOO、Plan&Execute和LLM Compiler，沿着反思路线介绍了Basic Reflection、Self Discover和Reflexion，并以最强大的设计模式LATS作为收尾。
但是，所有的这些设计模式，都只是在告诉AI Agent应该如何规划和思考，且只能依赖于大模型既有的知识储备。而实际应用中，我们往往更希望AI Agent结合我们给定的知识和信息，在更专业的垂直领域内进行规划和思考。
比如我们希望Agent帮我们做论文分析、书籍总结，或者在企业级场景中，让AI Agent写营销计划、内部知识问答、智能客服等等非常多的场景，只靠上面几种Agent设计模式是远远不够的，我们必须给大模型外挂知识库，并且通过工作流进一步约束和规范Agent的思考方向和行为模式。
AI Agent有八种设计模式。对于这八种设计模式，整理了一张图，来阐明它们之间的关系。
ReAct模式最早出现的Agent设计模式，目前也是应用最广泛的。从ReAct出发，有两条发展路线：
一条更偏重Agent的规划能力，包括REWOO、Plan & Execute、LLM Compiler。
从概念上来说，AI Agent（智能体）是一种不需要持续人类干预的AI系统，可以基于环境和背景信息，自主分析各种问题，做出逻辑决策，并且在没有持续人类输入的情况下处理多种任务。
AlphaGo就是一个典型的AI Agent，它可以在和人类对弈围棋的过程中，根据当前的棋局和对手的行动，自主决策下一步的动作。AI助手也是AI Agent，比如你只需要给AI助手下达一个指令，“帮我预订明早10点上海飞深圳的机票”，AI助手就能自动帮你完成从机票搜索、查询、下单、确认的全部动作。
从结构上来说，一个AI Agent包括三个部分：
这段时间各种AI名词一波接一波的冲击着我的屏幕，Agent，MCP，FunctionCalling，RAG，它们都是什么东西
有人说Agent是智能体，那智能体又是什么呢？
有人说MCP是AI时代的USB协议，那么它可以接U盘吗？
它们到底都是什么意思？
2023年，OpenAI则刚发布GPT的时候，Al看起来只是一个聊天框。
LLM 是大脑，MCP 是手脚。LLM 不断提升智能下限，MCP 不断提升创意上限。
目前为止，比较公认的一个观点是：2025年是 Agent 元年。虽然 AI 在短期内依旧面临 ROI 的考验，但几乎所有人都不会怀疑他的未来，不希望错过这一场“军备竞赛”。
MCP 版本历史（2025-04-15 统计）：
| 版本号 | 重大变化 |
|---|---|
| 2024-11-05 | 初代 MCP 协议 |
| 2025-03-26 (Latest) | 添加了基于 OAuth 2.1 的全面授权框架用更灵活的 Streamable HTTP 传输取代了以前的 HTTP+SSE 传输增加了对 JSON-RPC 批处理的支持添加了全面的工具注释，以更好地描述工具行为，例如它是只读的还是破坏性的 |
RAG，Retrieval-Augmented Generation，中文名检索增强生成，是AI领域非常重要的一种技术方案。其核心作用是给LLM大模型外挂专门的知识库，指导大模型生成更准确的输出。
为什么要给LLM大模型外挂知识库呢？因为虽然大模型的能力越来越强大，但其内在的缺点也非常明显。
第一，存在幻觉问题。 LLM大模型的底层原理是基于数学概率进行预测，其模型输出本质上是一种概率预测的结果。所以LLM大模型有时候会出现胡言乱语，或者生成一些似是而非的答案，在大模型并不擅长的领域，幻觉问题会更加严重。使用者要区分幻觉问题是非常困难的，除非使用者本身就具备了相应领域的知识，但这里就会存在矛盾，已经具备相关知识的人是不会采用大模型生成的答案的。
