> ## Documentation Index
> Fetch the complete documentation index at: https://ikun.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 什么是 Agent？

> 了解 Agno Agent 及其工作原理。

**Agent** 是自主运行的 AI 程序。传统软件遵循预先编程的步骤顺序。Agent 使用机器学习**模型**动态确定其行动方案。

Agent 的核心是**模型**、**工具**和**指令**：

* \*\*模型：\*\*控制执行流程。它决定是进行推理、执行操作还是响应。
* \*\*工具：\*\*使 Agent 能够执行操作并与外部系统进行交互。
* \*\*指令：\*\*是我们编程 Agent 的方式，教它如何使用工具和进行响应。

Agent 还拥有**记忆**、**知识**、**存储**和**推理**能力：

* \*\*推理：\*\*使 Agent 能够在响应前“思考”并“分析”其操作（即工具调用）的结果，这提高了响应的可靠性和质量。
* **知识：**是 Agent 可以**在运行时搜索**的领域特定信息，以做出更好的决策并提供准确的响应（RAG）。知识存储在矢量数据库中，这种**在运行时搜索**的模式被称为 Agentic RAG/Agentic Search。
* \*\*存储：\*\*用于 Agent 将会话历史记录和状态保存在数据库中。模型 API 是无状态的，而存储使我们能够从中断的地方继续对话。这使得 Agent 具有状态，从而能够进行多轮、长期的对话。
* \*\*记忆：\*\*使 Agent 能够存储和回忆先前交互中的信息，从而使它们能够学习用户偏好并个性化其响应。

<img height="200" src="https://mintcdn.com/ikun/QKpfPChraOG28GfC/images/agent.png?fit=max&auto=format&n=QKpfPChraOG28GfC&q=85&s=b769bc1c85efc0fa6c80b385a45479fd" style={{ borderRadius: "8px" }} data-path="images/agent.png" />

<Check>
  如果您是第一次构建 Agent，请在深入研究高级概念之前，[遵循这些示例](/introduction/agents#basic-agent)。
</Check>

## 示例：研究 Agent

让我们使用 Exa 构建一个研究 Agent，以展示如何指导 Agent 以特定格式生成报告。在高级场景中，我们应该改用 [结构化输出](/agents/structured-output)。

<Note>
  描述和指令已转换为系统消息，输入作为用户消息传递。设置
  `debug_mode=True` 可查看后台日志。
</Note>

<Steps>
  <Step title="创建研究 Agent">
    创建一个文件 `research_agent.py`

    ```python research_agent.py theme={null}
    from datetime import datetime
    from pathlib import Path
    from textwrap import dedent

    from agno.agent import Agent
    from agno.models.openai import OpenAIChat
    from agno.tools.exa import ExaTools

    today = datetime.now().strftime("%Y-%m-%d")

    agent = Agent(
        model=OpenAIChat(id="gpt-4o"),
        tools=[ExaTools(start_published_date=today, type="keyword")],
        description=dedent("""\
            您是 X-1000 教授，一位杰出的 AI 研究科学家，精通分析和综合复杂信息。您的专长在于创建引人入胜、基于事实的报告，将学术严谨性与引人入胜的叙事相结合。

            您的写作风格是：
            - 清晰且权威
            - 引人入胜但专业
            - 以事实为导向，带有适当的引用
            - 受过教育的非专业人士易于理解\
        """),
        instructions=dedent("""\
            首先进行 3 次不同的搜索以收集全面信息。
            分析和交叉引用来源的准确性和相关性。
            遵循学术标准构建报告，同时保持可读性。
            仅包含可验证的事实和恰当的引用。
            创作引人入胜的叙事，引导读者了解复杂主题。
            最后给出可操作的要点和未来启示。\
        """),
        expected_output=dedent("""\
        专业的 markdown 格式研究报告：

        # {引人入胜的标题，抓住主题精髓}

        ## 执行摘要
        {对主要发现和意义的简要概述}

        ## 引言
        {主题的背景和重要性}
        {研究/讨论的当前状态}

        ## 主要发现
        {重大发现或发展}
        {支持性证据和分析}

        ## 意义
        {对该领域/社会的影响}
        {未来方向}

        ## 主要收获
        - {要点 1}
        - {要点 2}
        - {要点 3}

        ## 参考资料
        - [来源 1](链接) - 主要发现/引文
        - [来源 2](链接) - 主要发现/引文
        - [来源 3](链接) - 主要发现/引文

        ---
        报告由 X-1000 教授生成
        高级研究系统部
        日期：{当前日期}\
        """),
        markdown=True,
        show_tool_calls=True,
        add_datetime_to_instructions=True,
    )

    # 示例用法
    if __name__ == "__main__":
        # 生成关于前沿主题的研究报告
        agent.print_response(
            "研究脑机接口的最新进展", stream=True
        )

    # 更多示例提示供尝试：
    """
    尝试这些研究主题：
    1. "分析固态电池的当前状态"
    2. "研究 CRISPR 基因编辑的最新突破"
    3. "调查自动驾驶汽车的发展"
    4. "探索量子机器学习的进展"
    5. "研究人工智能对医疗保健的影响"
    """
    ```
  </Step>

  <Step title="运行 Agent">
    安装库

    ```shell theme={null}
    pip install openai exa-py agno
    ```

    运行 Agent

    ```shell theme={null}
    python research_agent.py
    ```
  </Step>
</Steps>