30 个必须了解的智能体 AI 术语

30 Must-Know Agentic AI Terms

我们整理了一份速览指南，涵盖智能体 AI（Agentic AI）中最重要的 30 个术语，帮你理解现代 AI 智能体究竟是如何思考、行动和协作的。如果你一直在研究 CrewAI、LangGraph 或 AutoGen 这类智能体框架，这份术语表能帮你把这些核心构件串联起来。

智能体（Agent）：一种能够感知、推理并朝着目标采取行动的自主 AI 实体（我们在这里给出过完整实现）。环境（Environment）：智能体运作和交互所在的世界或系统。动作（Action）：智能体根据自身推理或目标做出的响应或执行的任务。观察（Observation）：智能体在某一时刻从环境中获得的数据或输入。目标（Goal）：智能体被设计去达成的预期结果。LLM：使智能体能够进行推理和生成自然语言的大语言模型。工具（Tools）：智能体用来扩展自身功能、与外部世界交互的 API 或实用程序。

评估（Evaluation）：评估智能体在实现既定目标方面表现如何的过程（我们在这里给出过配套实现）。编排（Orchestration）：对多个智能体协同工作以完成复杂任务的协调与控制。多智能体系统（Multi-agent system）：一组为达成共同目标而协作的智能体（我们用纯 Python 从零实现过一个,见此处）。人机协同（Human-in-the-loop）：一种由人类介入或引导智能体决策过程的设置。

反思（Reflection）：智能体对自身行为进行自我评估、以改进未来表现的过程。规划（Planning）：确定智能体为达成目标所需采取的一系列步骤（我们用纯 Python 从零实现过,见此处）。ReAct：一种将推理（思考）与行动（工具使用）逐步结合起来的框架（我们用纯 Python 从零实现过,见此处）。反馈循环（Feedback loop）：持续收集结果、观察效果、并据此调整行动的过程。上下文窗口（Context window）：智能体一次能够处理的最大信息量。系统提示词（System prompt）：定义智能体行为方式的持久性后台指令或「人格设定」。

少样本学习（Few-shot learning）：仅用少量示例就教会智能体新行为或新任务。层级化智能体（Hierarchical Agents）：一种多层级的智能体结构，由一个监督者智能体将任务委派给多个子智能体。短期记忆（Short-term memory）：在单次会话或对话中临时存储的上下文。长期记忆（Long-term memory）：跨多个会话持久存储的上下文，用于保持连续性和持续学习（我们在这里配代码详细讲过）。知识库（Knowledge base）：智能体用于推理和决策的结构化信息库（我们在这里配代码详细讲过）。上下文工程（Context engineering）：为优化输出而精心设计智能体所「看到」的信息的实践（这里有一个我们做过的演示）。护栏（Guardrails）：防止智能体采取有害或不当行为的规则或边界（我们在这里给出过配套代码）。工具调用（Tool call）：智能体为执行特定任务而发起的 API 调用。指导原则（Guidelines）：使智能体行为与预期结果保持一致的策略或约束。

ARQ：一种新的结构化推理方法，让智能体逐步解决复杂的、特定领域的问题（详见这里）。

MCP：一种让智能体接入外部工具、API 和数据源的标准化方式（在这里可以学到如何搭建 MCP 服务器和 MCP 客户端，以及 JSON-RPC、Sampling、MCP 中的安全与沙箱机制,还有如何在 LangGraph/LlamaIndex/CrewAI/PydanticAI 中使用 MCP）。A2A：Agent-to-Agent 协议,让智能体之间可以直接通信和交换数据（这里有一份可视化指南）。

路由器（Router）：一种将任务分派给最合适的智能体或工具的机制。以上每一个术语，都是智能体 AI 生态系统中 AI 工程师应当掌握的关键组成部分。