LLM Agent 架构（DeepWiki 课程笔记）

LLM Agent 架构（DeepWiki 课程笔记）

LLM Agent 架构

来源：DeepWiki 对 mlabonne/llm-course 的 AI 生成文档，最后索引 2026.02.06。

概述

LLM Agent 是能通过推理环境、调用外部工具，自主执行任务的 AI 系统。它扩展了 RAG 的能力边界——不再只是检索+回答，而是能自主决策、多步执行。

核心循环：Thought-Action-Observation

Thought（思考）→ Action（行动）→ Observation（观察）→ 循环直到完成

架构组件

┌─────────────────────────────────────┐
│           LLM Agent                  │
│  ┌──────────┐  ┌──────────────────┐ │
│  │  LLM Core │  │     Memory       │ │
│  │  (推理)   │  │  (对话状态/上下文)│ │
│  └─────┬────┘  └──────────────────┘ │
│        │                            │
│  ┌─────▼────┐  ┌──────────────────┐ │
│  │  Planner  │  │  Tool Registry   │ │
│  │ (任务拆解) │  │  (工具注册表)    │ │
│  └──────────┘  └────────┬─────────┘ │
│                         │           │
│  ┌──────────────────────▼──────────┐│
│  │        Tool Executor            ││
│  │ (函数调用/参数验证/错误处理)     ││
│  └─────────────────────────────────┘│
└─────────────────────────────────────┘

Agent 协议

MCP（Model Context Protocol）

行业标准，连接 Agent 与外部工具/数据源。客户端-服务器架构：

详见 mcp-debugging。

A2A（Agent-to-Agent Protocol）

Google 提出的 Agent 间通信标准，定义：

• 消息 Schema：标准化的请求/响应格式
• Agent Discovery：发现彼此的能力
• 会话管理：跨 Agent 的上下文传播
• 错误处理：标准化错误码和重试

厂商框架对比

开源框架

LangGraph

• 核心模型：状态机（图结构 workflow）
• 亮点：可视化调试、human-in-the-loop、checkpoint 持久化
• 适合：复杂多步骤 workflow、需要可视化

LlamaIndex Agents

• 核心模型：ReActAgent（Thought-Action-Observation）
• 亮点：与 RAG 生态深度整合，RAG pipeline 可转换成 Agent 工具
• 适合：RAG-heavy 应用

多 Agent 框架

CrewAI

• 模式：角色分工（researcher → writer → editor → reviewer）
• 结构：Crew → Agent Roles → Tasks → Process（顺序/层级）
• 适合：内容生产流水线

AutoGen

• 模式：Agent 间对话驱动协作
• 组件：AssistantAgent（推理） + UserProxyAgent（执行代码/代表人类）
• 模式：两人编程、多 Agent 辩论、层级团队
• 适合：对话式多 Agent 协作

框架选型指南

外部资源

• Hugging Face Agents Course
• LangGraph 文档
• LlamaIndex Agent 文档

相关页面

• hermes-agent（本项目的 Agent 架构）
• mcp-debugging
• copaw-notes