LLM Agent 架构
定义
LLM Agent 架构是以大语言模型（LLM）为核心控制器，通过 Profile（角色设定）、Memory（记忆）、Planning（规划）、Action（行动）四大模块协同工作来实现自主任务完成的系统设计范式。
四大核心模块
1. Profile Module（角色设定）
定义 Agent 的身份、性格、知识和行为边界。三种生成方式：
- 手写（Handcrafting）：灵活但人力密集。
- LLM 生成（LLM-Generation）：用 LLM 自动生成大规模角色，但精确控制有限。
- 数据集对齐（Dataset Alignment）：从真实数据集提取人口属性，适合社会仿真。
2. Memory Module（记忆）
- 结构：统一记忆（仅短时，依赖 context window）vs 混合记忆（短时 + 长时向量库）。
- 格式：自然语言、Embedding 向量、数据库、结构化列表。
- 操作：读取（基于 recency/relevance/importance 加权检索）、写入（去重策略、溢出处理）、反思（从低层记忆生成高层洞见）。
3. Planning Module（规划）
- 无反馈规划：单路径（CoT、Zero-shot-CoT）、多路径（ToT、GoT、RAP/MCTS）、外部规划器（LLM+P、PDDL）。
- 有反馈规划：环境反馈（ReAct、Voyager）、人类反馈（Inner Monologue）、模型反馈（Self-Refine、Reflexion）。
4. Action Module（行动）
- 行动目标：任务完成、通信交流、环境探索。
- 行动生成：记忆回忆驱动、计划跟随驱动。
- 行动空间：外部工具（API、数据库、外部模型）vs LLM 内部知识（规划、对话、常识理解）。
能力获取策略
- 需要微调：人工标注数据、LLM 生成数据、真实数据微调。
- 不需要微调：Prompt Engineering（CoT、ReAct）、Mechanism Engineering（试错、群体智慧、经验积累、自我进化）。
相关来源
- LLM Agent 综述 2024：本概念的主要出处。
- Agent AI Survey 2024：多模态 Agent 架构补充。
Harness 工程：Agent 架构的工程实现层
AHE AHE Agentic Harness Engineering 将 Agent 架构的四大模块实例化为可编辑的 harness 组件：
| Agent 模块 | Harness 组件 | 可演化性 |
|---|---|---|
| Profile | System Prompt | 易编辑但单用负增益 |
| Memory | Long-term Memory | 最难但增益最大 (+5.6pp) |
| Planning | （内化在模型推理中） | 不由 harness 直接控制 |
| Action | Tools + Middleware + Skills + Sub-agents | 中等增益 (+2~3pp) |
关键洞察：Agent 架构的”动作”模块在 harness 中被拆分为 4+ 个解耦组件，每个可独立编辑、独立回滚。这种文件级解耦是实现 AHE 三大可观测性支柱的前提。