FullAgenticStack 宣言
每个人都在尝试构建智能体。
人们谈论提示词、工具和大语言模型 (LLMs)。他们专注于智能体调用 API。但这仅仅是个开始。
几年后，问题将会改变。你不会再问如何构建一个智能体，而是会问如何构建由智能体组成的可靠系统。
智能体不是一个系统。智能体只是更大架构中的一部分。
下一阶段的软件需要基础设施。智能体、人类和服务必须在信任、记忆和证明的基础上进行交互。我将其称为 FullAgenticStack。
构建智能体正变得越来越容易。这制造了一个陷阱。人们认为智能体软件仅仅是 LLM 加上工具和记忆。
这远远不够。
一个具备工具调用能力的聊天机器人不是一个系统。一个提示词链也不是一种架构。
真正的难题不在于让一个智能体完成一次任务，而在于让智能体系统在现实世界中安全、重复地运行。
你必须回答这些问题：
- 如何编排智能体？
- 如何对它们进行身份验证？
- 如何审计它们的行为？
- 如何限制它们的权限？
- 发生故障后如何恢复状态？
- 智能体协作时如何防止混乱？
这些不是小问题。它们是基础。
FullAgenticStack 为智能体软件在生产环境中的运行提供了环境。它包括：
- 人类与智能体身份
- 身份验证与授权
- 权限与能力
- 状态与记忆
- 事件历史与可观测性
- 恢复与回滚
- 执行证明
- 零信任交互
工具调用仅仅是一个接口。它无法解决身份问题，也无法解决责任问题。
如果一个智能体购买了产品，是谁授权的？如果一个智能体失败了，你如何恢复？如果一个智能体造成了损害，你如何证明发生了什么？
这些是工程需求。
下一个互联网将由代表个人和公司行事的智能体组成。智能体将进行谈判、调度、购买和销售。
为了实现这一点，智能体不能是隐形的脚本。它们必须是可识别、可观测且可证明的。
你需要的不是提示词栈 (prompt stack)，而是 FullAgenticStack。
不要只看表面。目标不在于智能体是否能调用工具，而在于智能体是否能在可信系统中存在。
智能体不是终点。它们是一个新架构的起点。
全栈智能体技术栈宣言：智能体不仅仅是 LLM
如果你认为智能体（Agent）仅仅是发送给 GPT-4 的一个提示词（Prompt），那么你对智能体的理解还停留在表面。
随着 AI 领域从“聊天机器人”向“自主智能体”的演进，我们正在见证一种范式的转变。仅仅拥有一个强大的大语言模型（LLM）是不够的。要构建一个真正能够解决复杂任务、具备自主性和可靠性的智能体，你需要构建一个完整的智能体技术栈（Agentic Stack）。
本宣言旨在定义这个技术栈的各个层级，并阐明为什么智能体不仅仅是 LLM。
智能体不仅仅是 LLM
LLM 是智能体的核心引擎，但它不是智能体本身。
如果把智能体比作一个人，LLM 就像是大脑中的推理能力。虽然推理能力至关重要，但一个人如果没有记忆、没有感官、没有手脚，也无法在现实世界中采取行动或完成任务。
一个真正的智能体需要具备以下五个关键层级：
1. 大脑 (The Brain: The LLM)
这是技术栈的最底层，也是最核心的部分。LLM 负责：
- 推理 (Reasoning)： 理解指令并逻辑化地拆解任务。
- 决策 (Decision Making)： 在给定的选项中选择下一步行动。
- 语言理解与生成 (Language Understanding & Generation)： 作为与其他系统和人类沟通的接口。
然而，LLM 本身是静态的，它受限于训练数据和上下文窗口。为了克服这些限制，我们需要构建其他层级。
2. 规划 (Planning)
规划层负责将复杂的、模糊的目标分解为可执行的步骤。这包括：
- 任务分解 (Task Decomposition)： 将大目标拆解为子任务（例如使用 Chain-of-Thought 或 Tree-of-Thoughts 技术）。
- 自我反思 (Self-Reflection)： 智能体需要能够评估自己的计划，识别错误并进行修正（例如使用 ReAct 模式）。
- 动态调整 (Dynamic Adjustment)： 根据环境反馈实时调整后续步骤。
3. 记忆 (Memory)
没有记忆，智能体就无法维持一致性或从经验中学习。记忆分为两个维度：
- 短期记忆 (Short-term Memory)： 利用 LLM 的上下文窗口（Context Window）来存储当前对话或任务的即时信息。
- 长期记忆 (Long-term Memory)： 利用向量数据库（Vector Databases）和 RAG（检索增强生成）技术，让智能体能够检索并利用过去存储的海量知识和历史经验。
4. 工具与行动 (Tools & Action)
这是智能体与外部世界产生交互的手段。通过调用 API、执行代码或操作软件，智能体可以超越单纯的文本生成：
- 工具使用 (Tool Use/Function Calling)： 调用搜索引擎、计算器、数据库查询或第三方 API。
- 代码执行 (Code Execution)： 编写并运行 Python 脚本来处理数据或解决数学问题。
- 环境交互 (Environment Interaction)： 在操作系统、浏览器或特定软件环境中执行操作。
5. 环境 (Environment)
环境是智能体运行的舞台。它定义了智能体可以观察到的信息以及它可以施加影响的范围。环境可以是：
- 数字环境： 互联网、文件系统、数据库、软件应用。
- 物理环境： 通过机器人硬件与现实世界交互。
智能体通过感知（Perception）观察环境，通过行动（Action）改变环境，并根据环境的变化形成反馈循环（Feedback Loop）。
总结：从提示词工程到系统工程
构建智能体的过程正在从简单的“提示词工程（Prompt Engineering）”转向复杂的“系统工程（Systems Engineering）”。
仅仅优化提示词只能提升“大脑”的性能；而构建全栈智能体技术栈，则是为了构建一个能够感知、思考、记忆并采取行动的完整系统。
未来的胜出者将不是那些拥有最强 LLM 的人，而是那些能够构建出最完善、最稳健的智能体技术栈的人。