夜雨聆风COMPUTATIONAL MEDICINE #06
AI Agent
当大模型学会"自己动手"
理解循环、工具与记忆
是读懂 AI 时代的底层视角
行止集 ·计算×医学
如果你用过 Claude、GPT-5 或者 DeepSeek，你大概感受过这样的瞬间：它给了你一段分析，但你知道它只是在"说"，而不是真的在"做"。然后某一天你发现有个工具可以让它帮你跑代码、改文件、搜文献，自动完成一件接一件的事——那个东西叫 AI Agent。
这一期，我们拆开 Agent 的外壳，看看里面是什么。
本期导航
一、LLM 对话 vs. AI Agent —— 先做一个区分
二、LLM 与 Agent 产品地图 —— 市面上有哪些？（含：另一种可能——世界模型）
三、七层架构 —— Agent 的完整解剖图
四、入门路线 —— 六步从零到会
五、医学 Agent 的未来形态
THE BASICS
一、LLM 对话 vs. AI Agent
先做一个区分，很多人混用这两个词：
| 本质 | ||
| 能力 | ||
| 记忆 |
换成临床的比喻：LLM 是你在门诊问了一位专家教授，他给了你专业意见；Agent 是你把教授请到了手术室，他不只说，还能上手。· · ·
LANDSCAPE
二、LLM 与 Agent 产品地图
前面说了 LLM 和 Agent 的区别。但你可能会问：市面上的 ChatGPT、Claude、DeepSeek——它们和这篇文章讲的"Agent"是什么关系？很多人用过 ChatGPT 聊天，但没意识到它背后是一个大模型，更没听说过 Agent。
先说清两个概念：大语言模型（LLM）是"能说话的大脑"——你给我文字，我返回文字。Agent是给这个大脑装上了"手脚"和"记忆"——让它能执行操作、调用工具、持续工作。Agent 不是一种独立的产品类型，而是一种架构方式。
主流大语言模型
以下是截至 2026 年 6 月最主要的几个大模型——它们的能力差异决定了被谁家用、做成什么样的产品：
GPT-5.5 / 5.6 OpenAI
GPT-5.5（2026.4）自 GPT-4.5 以来首次完全重训，融合 GPT 生成能力与 o 系列推理链，100 万 tokens 上下文；GPT-5.6 预计 2026.6 发布，150 万 tokens 上下文（提升 43%），代号 iris-alpha
价格：Plus $20/月 · Pro $200/月 · API $5/$30
Claude Opus 4.8 Anthropic
2026.5.29 发布，100 万 tokens 上下文；Opus 4.7 曾击败 GPT-5.4 与 Gemini 3.1 Pro；Claude Code 依赖其最精准的函数调用与工具使用能力；同期 Sonnet 4.6 / Haiku 4.5 覆盖各性能层级
价格：Pro $20/月 · Max $100-200/月 · API $5/$25
Gemini 3 Pro Google
100 万 tokens 上下文，原生支持图像/音频/视频/代码理解与生成；Google 生态深度整合（搜索、地图、Workspace），多模态能力业界最强
价格：AI Plus $7.99/月 · Pro $19.99/月 · API $2/$12
DeepSeek-V4 Pro / Flash DeepSeek
2026.4.24 发布并开源，100 万 tokens 上下文标配，Engram 记忆架构；V4-Pro 在 Agent 编程评测中开源第一，训练成本极低；V4-Flash 价格仅 ¥1/¥2
价格：按量付费（无订阅） · API ¥3/¥6（Pro）· ¥1/¥2（Flash）
Qwen3.7-Max 阿里
2026.5.20 发布，面向智能体时代的全能基座；原生 MCP 集成 + 长周期自主执行，编程与办公自动化国内第一；综合能力登顶国产模型
价格：Token Plan 订阅 · API ¥12/¥36（优惠中 ¥6/¥18）
主流 Agent / 编程工具
这些产品是"给 LLM 装上手脚"的实践——它们底层用上面的模型，上层加工具系统、对话循环和安全层：
Claude Code · Claude Opus 4.8 / Sonnet 4.6 · 命令行 Agent
Anthropic 官方出品，可以在终端里直接读文件、改代码、执行命令、管理 Git，支持开发者全流程自动化；本篇文章中讲七层架构时的参考原型就是它
OpenClaw / WorkBuddy · GPT-5.5 / Claude / DeepSeek 等 · 开源多 Agent 框架
支持接入任意 LLM，支持 MCP（模型上下文协议）——标准化工具接口，让 Agent 连接数据库、API、本地文件；拥有完善的 Memory 和自动化调度系统
Hermes Agent · 任意（OpenRouter 200+ / 本地 LLM）· 自托管自进化 Agent
Nous Research 2026.2 开源（MIT），完全本地部署零数据泄露；三层记忆体系（持久记忆+用户建模+自动技能沉淀 SKILL.md）——解决复杂问题后自动沉淀为可复用技能；模型无关，支持 OpenRouter 200+ 或本地 LLM；6 平台接入 + 定时调度 + 并行子智能体
Codex（OpenAI） · GPT-5.5 / 5.6 · IDE 内嵌 Agent
前身是 GitHub Copilot，现在 Codex Agent 模式可在 IDE 中执行多文件编辑、自动化测试、部署；与 VS Code 深度集成，是 IDE 端最主流的 Agent 方案；5.6 预计新增 UltraFast Codex 模式
Cursor · GPT-5.5 / Claude Opus 4.8 · AI 代码编辑器
基于 VS Code 的独立编辑器，Composer 模式可理解整个代码库进行多文件编辑；"先理解再动手"的 Agent 理念在 Cursor 上体现得最直观
ChatGPT / 豆包 / Kimi · GPT-4 / 自研 · 对话产品（轻 Agent）
面向大众的聊天界面，已逐步加入文件上传、代码执行、联网搜索；对于"只用过豆包"的读者，可以理解为 Agent 的简化版——有工具，但不够灵活
一句话理清关系：ChatGPT、豆包、DeepSeek App 是"用了大模型的聊天产品"；Claude Code、Cursor、Codex 是"给大模型装了工具的 Agent"——核心是能力闭环（有想法 → 能执行 → 能验证 → 能纠正）。OpenClaw 和 Hermes 则更进一步：它们不仅执行任务，还会从过往交互中学习、自动沉淀为可复用的技能——真正实现"越用越聪明"。
关于底层模型：上文中各 Agent 的"底层模型"只是默认配置。实际上主流 Agent 框架（Claude Code、OpenClaw、Hermes 等）都支持接入任意 LLM API——你可以把 GPT-5.5 塞进 Claude Code，也可以用 DeepSeek 驱动 OpenClaw。Agent 是壳，模型是芯——壳和芯可以自由组合。
另一种可能：世界模型（JEPA）
上面讲的都是 LLM 路线——让模型学语言、学推理、学工具使用。但图灵奖得主、Meta 首席 AI 科学家杨立昆（Yann LeCun）多年来一直在说：这条路不够。
他的核心批评很直接：一个在文本 token 空间训练出来的模型，永远理解不了杯子掉在地上会碎——因为它学的是语言统计规律，而不是物理世界的因果结构。
预测什么：LLM 下一个 token（文字） JEPA 世界状态的抽象表征
学习什么：LLM 语言分布规律 JEPA 物理因果 + 时空结构
强项：LLM 语言、推理、代码 JEPA 感知、规划、机器人操控
弱项：LLM 物理直觉基本为零 JEPA 语言能力弱，仍在早期
代表：LLM GPT-5.6 / Claude Opus 4.8 / DeepSeek-V4 JEPA LeWorldModel（Meta, 2026.3）
JEPA 的核心思路：放弃逐像素/逐 token 预测，转而在抽象表征空间做预测——让模型学会"这个世界下一步会变成什么样"，而不是"下一个词是什么"。2026 年 5 月，杨立昆团队刚拿到了形式化证明（formal proof），验证 JEPA 架构确实能从数据中恢复真实世界结构。第二代 JEPA 已经能让机器人在 62 小时内完成操作训练。
一句话总结这场路线之争：LLM 让 AI 学会了"说"，世界模型在试图让它学会"看"和"做"。说和做，缺一不可。今天的 Agent——比如 Claude Code 或 OpenClaw——本质上还是 LLM 在驱动。但如果未来 JEPA 和 LLM 汇合，你得到的将不只是"会聊天的工具"，而是一个真正理解世界运行的自主智能体。
ARCHITECTURE
三、七层架构：Agent 的完整解剖图
做一个 AI Agent，本质上是搭七层东西。这不是什么标准规范，是工程实践自然收敛出的结构——理解了这七层，你就理解了这个领域 80% 的内容。
01 对话循环（The Core Loop）
这是整个 Agent 的心脏。流程极其简单：
1 用户输入 一句话或一个任务 | → | 2 拼装 Prompt 指令+工具+历史+环境 | → | 3 调用 LLM 模型接收完整上下文 | → | |
| ⋯ | ||||||
4 LLM 返回 文字 + 工具调用请求 | → | 5 执行工具 读文件、跑代码、搜网络 | → | 6 循环或结束 只返回文字时停止 |
︵ 有工具调用时从步骤 2 重新进入循环 ︵
关键在"拼装 Prompt"这一步。发给 LLM 的不只是你打的字，而是一整个上下文包：
| System Prompt | |
| Tool Definitions | |
| 对话历史 | |
| 注入的上下文 |
几十行 Python 代码就是整个循环的本质——也是 LangChain、AutoGen、CrewAI 等所有知名 Agent 框架的内核。它们做的，是帮你把这几十行代码封装得更好用。
02 工具系统（Tools）
工具是 Agent 的"手脚"。LLM 只能生成文字，但工具让它能操作真实世界。工具大致分四类：
| 感知类 | ||
| 操作类 | ||
| 控制类 | ||
| 交互类 |
新手最常踩的坑：工具的 description 写得好不好，直接决定 LLM 会不会正确调用它。LLM 不看代码，只看描述——写"读取文件"和写"读取指定路径的本地文本文件，返回行号和内容"，LLM 的行为会有明显差异。
03 上下文窗口管理（Context Management）
这是 Agent 开发中最容易被忽视、却最容易造成问题的一层。LLM 有固定的"上下文窗口"（比如 200K tokens），对话越长越快填满，必须裁剪——但怎么裁剪？
| 滑动窗口 | ||
| 摘要压缩 | ||
| 结构化 Memory | ||
| 向量检索 |
你在使用 AI Agent 时看到的"Summary of the conversation so far"就是摘要压缩机制的产物——系统在上下文剩余约 20% 时自动触发压缩，不是用户手动控制的。对新手来说：先选大上下文模型，遇到问题再引入压缩。
04 子 Agent 调度（Sub-agent Orchestration）
单个 Agent 能干的事是有限的。子 Agent 模式把一个大任务分解成若干独立子任务，每个子任务交给一个"全新的"小 Agent 去做：
主 Agent — 统筹全局 | ||
| ↓ 分发任务 ↓ | ||
子 Agent A 文献检索 | 子 Agent B 数据分析 | 子 Agent C 报告生成 |
| ↑ 各完成后，结果返回主 Agent ↑ |
| 无状态 | |
| 可并行 | |
| 结果汇总 | |
| Prompt 自包含 |
用研究场景类比：做综述时，主 Agent 相当于你（统筹全局），子 Agent 相当于三个研究助理——一个去 PubMed 检索、一个整理文献、一个起草 Introduction——三人同时工作，完成后汇报给你。
05 持久化记忆（Memory & Persistence）
Agent 每次启动都是"失忆"的。Memory 系统解决这个问题——把重要信息写入外部存储，下次启动时重新注入。
| 上下文记忆 | |||
| 文件记忆 | |||
| 向量记忆 |
最简单的实现就是 Markdown 文件：把用户背景、项目规范写成几个 .md 文件，每次对话开始时注入 System Prompt。Memory 写入要有触发条件：用户明确要求记住 X、用户纠正了错误、了解到新偏好——否则什么都记，反而会干扰 LLM 的注意力。
06 安全与权限（Safety & Permissions）
这一层经常被忽视，直到出了事才想起来。Agent 能跑命令、改文件、调接口——它有能力做很多不可逆的事。
1 用户请求 | → | 2 权限检查 允许吗？ | → | 3 参数校验 安全吗？ | → | 4 沙箱执行 隔离运行 | → | 5 结果返回 |
| 危险操作必须确认 | |
| 绝对禁区永远不碰 |
07 用户界面（UI / Interaction）
Agent 最终要被人用，所以得有一个交互层。对刚入门的开发者，UI 不是优先级，从最简单的开始：
| 命令行 | input() + print()，够用，先跑通逻辑 |
| 终端 UI | |
| Web 界面 | |
| 生产级 Web |
GETTING STARTED
四、入门路线：六步从零到会
如果你是小白，正确的顺序是：
1 | 实现对话循环 纯聊天，不写工具，先让它会"说" |
2 | 加三个工具 读文件、写文件、跑命令——80% 的 Agent 任务靠这三个 |
3 | 加权限确认 危险操作前问用户"确认吗？y/n" |
4 | 加上下文注入 把项目背景写入一个 |
5 | 加子 Agent 调度 遇到并行任务时再加，遇到这一步你已经不是小白了 |
6 | Memory 持久化、上下文压缩…… 遇到问题再加，不要一次全做 |
MEDICINE × AI AGENT
五、医学 Agent 的未来形态
做生信研究的人大概都有这个经历：用 GEO 数据集跑 WGCNA、做孟德尔随机化、跑单细胞测序、做分子对接——每一步都需要找教程、调参数、改报错、重跑。前前后后可能花几个月。
现在这些事，一个配置好的 Agent 可以接管大部分流程——不是帮你"出主意"，而是真的帮你把代码跑起来、把报错修掉、把图出出来。但这只是冰山一角。
如果把 Agent 的七层架构移植到医学场景，会长出什么形态？
🔬 科研辅助 Agent：多组学流水线自动化
这是离我们最近的一种形态。想象一个 Agent，你只需要告诉它：「用 GSE160170 做痛风 vs. 对照的差异基因分析，跑 WGCNA，然后挑 Hub 基因做机器学习验证。」
| 对话循环 | |
| 工具调用 | |
| 子 Agent | |
| Memory |
现在这个 Agent 的雏形已经存在——它就是你在使用的 AI 编程助手。差距在于：还需要你手动驱动每一步，还做不到真正意义上的"告诉它目标，自己去完成"。这个差距，正在以每六个月一次迭代的速度缩小。
🏥 临床辅助 Agent：从 EMR 到诊疗建议
这条路更长，也更令人兴奋。一个能访问电子病历系统（EMR）的 Agent，理论上可以做到：
入院 24 小时：自动整合所有检验结果，与历史数据比对，生成风险评估摘要，标出需要关注的异常值
用药安全核查：开具医嘱前，Agent 实时检索该患者所有在用药物，对照药物相互作用数据库，返回警告
出院随访：根据诊断自动生成随访提醒清单，发送给患者端 App，并在患者回复异常症状时触发预警
注意：这里的 Agent 是辅助，不是替代。它处理的是「信息整合与模式识别」，而不是「做决策」。在可预见的未来，医疗 Agent 的核心价值是把医生从重复性信息处理中解放出来——让他们把精力放在真正需要判断力的地方。
💊 药物研发 Agent：从靶点到候选分子
这是已经在发生的事。Insilico Medicine 用 AI Agent 在 46 天内完成了一个传统需要数年的靶点发现流程，并把候选分子推进到了 II 期临床。
它的核心架构非常符合我们讲的七层：
⚠️ 还没解决的核心问题
医学 Agent 不是没有障碍。有三个问题至今没有好答案：
| 幻觉与可靠性 | |
| 责任归属 | |
| 数据隐私 |
这不是悲观主义，而是现实：医学 AI 发展的速度，将取决于我们解决这三个问题的速度。技术上的限制正在快速收窄，监管与伦理框架的构建，才是真正的慢变量。
而对今天在读这篇文章的人来说，这也恰好是机会所在——懂医学的人来做 Agent、懂 Agent 的人来理解医学，这个交叉口，目前站的人还不多。
🗺️ 未来展望：两条路线的汇合
写到这里，一个自然的问题浮现：LLM 和世界模型，哪条路线会赢？
大概率不是"谁赢"的问题——它们会汇合。
想象一个未来的医学 Agent：它的语言层用 LLM 驱动，理解文献、撰写报告、与医生对话；它的感知层用世界模型驱动，理解 CT/MRI 图像背后的三维解剖结构，预测分子在蛋白口袋里的结合姿态。前者负责"说"，后者负责"看"和"想"。
LLM 负责：消化 3000 万篇 PubMed 论文，自动提取证据等级，写一篇 Meta 分析的初稿
世界模型负责：模拟一个药物分子进入人体后 72 小时内的分布、代谢和毒性——不是基于规则，而是基于物理模拟
两者汇合时：Agent 不只是告诉你"这个靶点可能有意义"——它告诉你这个靶点的结构、预测了结合模式、给出候选分子、评估了毒性，还自动生成了完整的研究报告和伦理审批草稿
这当然不是明天就会发生的事。但杨立昆的形式化证明（2026.5）和 GPT-5.6 的即将发布（2026.6），暗示两条路线各自的关键里程碑正在快速到来。而医学，恰恰是最需要两者汇合的领域——它既需要海量文本的消化能力，也需要对三维空间、分子运动和生理过程的深层理解。
站在 2026 年看，做医学 AI 的黄金窗口可能不是"等 AI 成熟了再做"，而是现在就站在交叉口，看着两条路线各自逼近，然后做第一个把它们接起来的人。
延伸阅读
Anthropic 官方文档 Building with Claude（docs.anthropic.com）
ReAct 论文（2022） Yao et al., Synergizing Reasoning and Acting in Language Models — Agent 对话循环的理论基础
LangGraph 多 Agent 编排框架（langchain-ai.github.io/langgraph）
Insilico Medicine（2023） Generative AI-enabled drug discovery using autonomous AI research — AI Agent 在药物研发中的第一个里程碑
Streamlit 快速搭建 Agent Web 界面（streamlit.io）
COMPUTATIONAL MEDICINE
行止集 · 计算医学系列 第 6 期
下一期预告：多模态 AI 与医学影像
当大模型学会"看"
