给大模型配上"工具"和"循环",它就从"只会说"变成"会自己动手干"。下面这个 Agent 正在替值班 SRE 查一台 GPU 节点的故障——点步进看它怎么思考。
负责理解任务、拆解步骤、决定"下一步干什么"——就是上面每一步的"思考"。
🧠 决策引擎,不是执行者。
搜索、查库、执行命令、调 API……模型输出"调用哪个工具+参数",系统替它执行并把结果喂回来。
🧠 类比:Runbook 里能自动执行的动作。
模型按约定格式输出"要调用的函数名和参数",由外部系统真正执行。
🧠 类比:模型填工单,人来执行工单——只是执行者也是程序。
Model Context Protocol——工具接入的开放协议,一次接入、多家模型/客户端通用。
🧠 类比:USB-C——以前每个设备一种线,现在一个口全搞定。
窗口有限,放什么进上下文要精心管理:历史压缩、关键信息前置、工具结果裁剪。
🧠 类比:容量规划——贵资源只放热数据。Agent 越跑越长,这越关键。
短期记忆 = 上下文窗口;长期记忆 = 外挂数据库(向量库/图库),用时检索回来。
🧠 类比:内存 vs 外存,照搬计算机存储层级。
K8s 运维智能体(如 Kagent)、告警自动分诊、故障初诊报告……上游仓库有专门的 Kagent 拆解文章。
🧠 你现在写的 Runbook,就是未来运维 Agent 的"技能书"。
Agent 会出错、会被上下文长度限制、执行高危命令需要审批闸门。"能自动"≠"该全自动"——分级放权是 SRE 的老本领。
🧠 类比:自动化变更也要分只读/低危/高危审批。
Q1 · Agent 与普通聊天机器人的本质区别是?
Q2 · MCP 解决的是什么问题?
Q3 · 一个长任务跑了 50 轮后 Agent 开始"忘事",最直接的原因是?