Agent Design & Agent Loop

Agent Loop

Agent 的主循环基本都是一致的：

Agent Loop

research_log = []
status = "Searching"

while status != "Complete":
  # 1. Decide next action based on current progress
  action = llm.plan_next(user_goal, research_log)

  # 2. Execute tool
  results = tools.execute(action.query)

  # 3. Critique and Store
  is_valuable = llm.critique(results)
  if is_valuable:
    research_log.append(results)

  # 4. Check if the task is done
  if llm.check_stop_condition(research_log):
    status = "Complete"

return llm.generate_report(research_log)

Agent Design

所有 Agent 的设计都包含四个部分：

Planning
Memory
Tool Use
Interaction

这里注意的是，Agent 的本质是围绕 LLM 搭建的 System (即刚刚提到的 Memory + Planning + Tools + Interaction 的 entity)，而不是 LLM 本质．

一些 Agent 的例子

Deep Research Agent

Deep Research 的核心在于 Information Retrieval -> Summarization -> Generation

基于这个思路，我们可以这样设计 Agent 的四个部分：

Planning
Memory
- 跟踪上下文和用户需求（e.g. latency vs memory）
- 总结并分析现有文档
Tool Use
- Web Search via ArXiv
- Read and Extract Key Insights
Interaction
- User <-> Agents <-> LLM <-> Tools
- sub-Agent 1 <-> sub-Agent 2