1. agent框架的基础逻辑
Agent的核心如下：
Planning 规划

• -子目标和分解:AIAgent 将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。
• -反思和完善:Agent可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量

Memory 记忆

• 短期记忆:所有的上下文学习(参见提示工程)都是利用模型的短期记忆来学习。
• 长期记忆:这为AIAgent提供了长期保留和调用无限信息的能力，通常是通过利用外部向量存储和快速检索来实现。

Tool / Toolkit

• Agent学习调用外部 AP! 来获取模型权重中缺失的额外信息，通常这些信息在预训练后很难更改，包括当前信息、代码执行能力、对专有信息源的访问等工具是代理可以调用的功能，本质上就是一个函数。

2. 将Agent框架逻辑应用到客服场景
应用逻辑和过程如下：

当用户输入询问时：
1、记忆能力

• 先通过模型的记忆能力，将用户画像、浏览记录、订单数据、历史会话记录等推送给大模型
• 拿到解决对应问题的参考sop流程

2、计划能力+推理

• 让模型基于用户的提问+解决的SOP，制定与用户的沟通计划
• 根据用户反馈调整沟通计划，推理出新的步骤

3、tools：

• 根据推理出来的计划、选择执行的内容
• 比如调用ERP、知识库等
• 最终得出结论、输出给用户

整个过程中，模型能够模拟人+参考sop流程，执行对应的任务，从而达到相应的结果