文章目录
-
- 前言
- 一、Agent：会自己干活的 AI
- 二、Tool Call：Agent 的手
- 三、Planning：Agent 的大脑
- 四、Memory：Agent 的记性
- 五、RAG：让 AI 看到你的私有数据
- 六、MCP：让工具标准化
- 七、Multi-Agent：多个 Agent 协作
- 八、A2A：Agent 之间怎么说话
- 九、Agentic AI：一种新的 AI 使用范式
- 十、全景图：这些词怎么串起来
- 结语
前言
这篇文章梳理了当前网络上最热门的 AI Agent 相关词汇，帮你搞清楚 Agent、MCP、RAG、Tool Call、Memory、Planning、Multi-Agent、A2A 等概念的真实含义和关系，读完你能对 Agentic AI 的整体架构有一个清晰的认知。
AI Agent 这两年火得一塌糊涂。但随之而来的是大量新词汇，让人看得云里雾里。这些词到底是什么意思？它们之间有什么关系？这篇文章带你一次搞清楚。
一、Agent：会自己干活的 AI
Agent 是整个生态的核心词。
普通的 AI 对话模式是这样的：你问一句，它答一句，完事。
Agent 不一样。它能：
Agent = LLM + 工具调用 + 循环执行 + 决策能力
你可以把它理解成一个"会自己想办法干活的 AI 员工"，而不是一个"等着回答问题的 AI 助手"。
二、Tool Call：Agent 的手
Agent 光靠语言模型本身做不了太多事。它需要工具。
Tool Call（工具调用） 就是让 LLM 能够调用外部功能的机制。
你定义一个工具，比如：
{
"name": "search_web",
"description": "搜索互联网获取最新信息",
"parameters": {
"query": { "type": "string" }
}
}
把这个定义传给模型，模型在合适的时候会输出一个结构化的"我要调用这个工具"的指令。你的代码接收到后，真正去执行搜索，把结果返回给模型，模型继续处理。
常见工具类型：
- 搜索（web search）
- 代码执行（code execution）
- 文件读写
- 数据库查询
- 发邮件、发消息
Tool Call 是 Agent 的"手"。没有工具，Agent 只能说话，不能干活。
三、Planning：Agent 的大脑
光有手还不够，还得有脑子。
Planning（规划） 是指 Agent 在执行任务前，把一个复杂目标分解成一步步可执行的子任务的能力。
常见的规划模式：
ReAct（Reasoning + Acting）
思考 → 行动 → 观察 → 思考 → 行动 → …
模型先想"我应该怎么做"，再调用工具，看到结果，再想下一步。这是目前最主流的 Agent 执行模式。
Chain of Thought（思维链）
让模型在回答前一步一步写出推理过程，提升复杂任务的准确性。
Tree of Thought
把每一步的可能性展开成一棵树，探索多条路径，选最优的。
Planning 决定了 Agent 能不能把一个复杂任务做对、做完。
四、Memory：Agent 的记性
每次对话都是全新开始？那 Agent 肯定没法做长期任务。
Memory（记忆） 是让 Agent 记住信息的机制，分几种：
| 短期记忆 | 当前对话的上下文 | 这次会话里说过的话 |
| 长期记忆 | 持久化存储，跨会话 | 用户偏好、历史记录 |
| 工作记忆 | 任务执行中的中间状态 | 当前搜索结果、已完成步骤 |
| 语义记忆 | 向量化的知识库 | 文档、FAQ |
Agent 通常把长期记忆写到文件或数据库里，每次启动时读取，相当于给 AI 一个"记事本"。
没有记忆的 Agent 就像每天醒来都失忆的员工，永远从零开始。
五、RAG：让 AI 看到你的私有数据
RAG（Retrieval-Augmented Generation，检索增强生成） 解决的是一个核心问题：LLM 的训练数据有截止日期，而且不包含你的私有数据。
RAG 的流程：
用户问题
↓
向量化 → 在知识库里搜索相似内容
↓
把检索结果塞进 prompt
↓
LLM 基于这些内容生成回答
比如你有公司内部文档 1000 份，你不可能全塞进 context window，但可以：
RAG = 让 LLM 带着"参考资料"回答问题，而不是靠记忆裸答。
它和 Memory 的区别：RAG 面向的是外部知识库，Memory 面向的是 Agent 自身的经验积累。
六、MCP：让工具标准化
不同 Agent 框架、不同工具都有自己的接口格式，互不兼容。这是开发者的噩梦。
MCP（Model Context Protocol，模型上下文协议） 是 Anthropic 在 2024 年底推出的开放协议，目标是统一 AI 应用和工具/数据源的连接方式。
类比一下：USB 之前，每个设备都有自己的接口，乱成一锅粥。USB 出来之后，统一了。MCP 想对 AI 工具做同样的事。
MCP 的架构：
MCP Client（你的 Agent）
↕ MCP Protocol
MCP Server（工具提供方）
– GitHub MCP Server
– 文件系统 MCP Server
– 数据库 MCP Server
– …
对开发者的好处：
- 写一个 MCP Server，所有支持 MCP 的 AI 应用都能用
- 不用为每个框架单独适配
目前主流 AI 平台（Claude、OpenAI、Cursor 等）都已支持 MCP。
MCP 就是 AI 世界的 USB 协议——让工具和模型之间的连接变得标准化、可复用。
七、Multi-Agent：多个 Agent 协作
单个 Agent 处理复杂任务有局限：context 不够用、并行效率低、专业度不足。
Multi-Agent（多智能体） 系统让多个 Agent 分工协作：
协调者 Agent（Orchestrator）
├── 研究 Agent → 搜索、收集信息
├── 写作 Agent → 生成内容
├── 审核 Agent → 检查质量
└── 执行 Agent → 调用 API、操作系统
典型模式：
主从模式：一个主 Agent 负责规划，把子任务分配给专门的 Agent 执行。
流水线模式：Agent A 的输出是 Agent B 的输入，像工厂流水线。
竞争模式：多个 Agent 同时尝试解决问题，选最好的结果。
Multi-Agent 就是让 AI 学会团队合作，用分工解决一个 Agent 搞不定的复杂任务。
八、A2A：Agent 之间怎么说话
多个 Agent 协作，就需要通信标准。
A2A（Agent-to-Agent Protocol） 是 Google 在 2025 年推出的协议，专门定义 Agent 之间如何通信、协作、交换任务。
和 MCP 的区别：
| 连接对象 | Agent ↔ 工具/数据源 | Agent ↔ Agent |
| 方向 | 垂直（调用下层资源） | 水平（平级协作） |
| 推出方 | Anthropic |
两者是互补关系，不是竞争关系。一个健全的 Multi-Agent 系统里，可以同时用 MCP 连接工具，用 A2A 协调 Agent 之间的任务。
A2A 解决的是"Agent 们怎么分工"的问题，MCP 解决的是"Agent 怎么用工具"的问题。
九、Agentic AI：一种新的 AI 使用范式
Agentic AI 不是一个具体的技术，而是描述一种 AI 的工作方式。
传统 AI 使用方式：
- 用户输入 → 模型输出 → 结束
Agentic AI 工作方式：
- 给 AI 一个目标 → AI 自主规划 → 循环执行工具调用 → 自我反思和纠错 → 完成任务
"Agentic"强调的是自主性和主动性——AI 不再被动等待，而是主动推进任务。
这背后需要几个条件：
Agentic AI 代表了 AI 从"问答工具"向"自主执行者"的转变。
十、全景图：这些词怎么串起来
用户目标
↓
Agentic AI 系统
├── Planning（规划任务）
├── Memory（记住上下文和历史）
├── Tool Call（调用工具）
│ └── 通过 MCP 连接各种工具/数据源
└── RAG（检索知识库）
如果是 Multi-Agent：
├── Orchestrator Agent（协调）
└── Worker Agents（专项执行）
└── 通过 A2A 协议通信
简单记忆法：
- 干什么：Agent
- 怎么干：Planning
- 用什么干：Tool Call + MCP
- 记住了什么：Memory
- 知识从哪来：RAG
- 多人协作：Multi-Agent + A2A
- 整体范式：Agentic AI
结语
这些词本质上都是在描述"怎么让 AI 更有效地完成复杂任务"这一件事。掌握这些概念，不只是能在技术讨论里不露怯，更重要的是能帮你判断一个 AI 产品或框架的架构设计是否合理。
下一步推荐：动手用 LangChain4j 或 Claude API 实现一个最简单的 Agent，亲自跑一遍 Tool Call 的循环，比看十篇文章都管用。
下一篇：手把手实现一个 Java Agent——从 Tool Call 到 Multi-Agent 编排
