之前我们介绍了Agent的发展，也了解了上下文管理的4大模块（感知模型、规划模块、执行模块、执行模块）， 接下来我们就介绍这几个模型的实现，意图识别意图识别是整个系统的起点， 这部分的质量也直接决定了整个系统的执行质量，那么这部分一般是如何实现的呢？精心设计提示词引导LLM分类训练专用的路由模型，独立于主LLM完成路由判断用小模型进行微调，让模型在特定的场景下具备高精度的分类能力。Arch-Rou

"Harness"原意是马具——缰绳、鞍具、嚼子——用来驾驭一匹强大但不可预测的动物的完整装备。这个比喻是刻意的：马 = AI 模型：强大、快速，但自己不知道该往哪里走马具 = Harness：引导、约束、使力量变得可控且有方向Agent = Model + Harness上下文模块感知模块感知模块是系统的入口，其核心任务是将非结构化的信息转化为结构化的信息，并理解其意图，从而

当前这个时间点， 我们似乎正在经历异常技术平权的革命， 因为大模型的出现， 让原来很多需要花费很多精力的工作变得毫无意义（这里就不便举例子）， 也让我由此感慨一下，接下来主要看看我们在算法这个方向是如何看待算法工作与大模型的关系。

今天我们来介绍大语言模型使用，Agent的构建和开发。基础知识Agent定义和核心机制Agent是一种通过感知环境（传感器）并主动与环境交互（执行器）的智能实体。LLM Agent通过结合大语言模型（LLM）与外部工具、内存和规划能力，突破传统LLM的对话局限，实现复杂任务拆解与执行。其核心是通过工具调用（如API、代码）弥补LLM在数学计算、事实检索等方面的短板，形成“指令－目标－决定－执行”的