在语言模型的解码阶段，受工具 schema 约束生成结构化 JSON 输出，这是大模型的能力；简单来说就是用自然语言和llm沟通，llm给你范围 function的以及arguments
核心问题：让LLM能够稳定地输出结构化的工具调用请求，实现了"非结构化→结构化"的转换是 mcp 和 skill 能够存在的基础；
是一种协议:负责 llm 与外部系统数据进行交流；主要分两部分：rpc 与 function注册 如果单纯的使用function call，也可以实现和外部通讯，但是原有系统太过庞大，需要一个批量注册的功能 mcp有个缺点：如果有一个复杂任务，大模型不能很好的编排多个 mcp-tool
允许用户更细致的用文字定义指令、脚本和资源 skill产生的原因：解决mcp不能很好编排tool的缺点：提供一个方式，让用户可以用文字定义指令、脚本和资源，形成可复用的任务流程 skill最大的优点：Agent将决策权完全下放给了 Agent 和 Prompt，能够解决原有写程序不能解决的问题——比如处理不确定性、动态调整策略、理解自然语言意图等
skill的缺点：
- Skills 的需求描述部分不够结构化；仅仅通过 description 来描述，当任务复杂度增加时，纯文本描述的不确定性会放大，模型可能误解需求，或者遗漏关键信息
- Agent 无法与既有的系统接驳，当现有系统功能复杂：比如有多步骤表单，实时数据，ui交互时，使用对话框交互的方式会比较困难
为什么会有以上这些技术的出现：历史上其他系统（数据库、API、文件系统等）只能处理结构化信息，而LLM擅长处理非结构化信息（文本）。 因此，LLM必须想办法在两种信息形式之间架起桥梁：将非结构化的用户需求转换为结构化的函数调用，这样才能与外部系统交互
- 调用幻觉： 模型会虚构不存在的商品ID，或在无需调用工具时强行触发
- 内容幻觉： 模型会过拟合训练数据中的特定内容，脱离实际知识库，凭空生成答案。
解决方案：放弃多Agent划分，将所有能力沉淀为一系列原子化的工具（Tools），由一个统一的大模型（One-Model）根据上下文进行动态决策和调用
为什么：
- 误差级联：多 Agent 是串行决策链，后续 Agent 会基于错误前提继续推理
- 多 Agent 系统通常：共享对话上下文，共享 memory，通过自然语言传递中间结果； 如果没有强 schema 约束，后续 Agent 很容易： 使用错误 ID，误读字段，生成不存在参数；这就是“调用幻觉”的典型来源
- 多agent 增加了 多个 prompt 风格差异，多个系统指令，多个 tool schema 注入点；模型更容易在决策边界出现偏移
- 决策空间越大 -> 错误率越高
One-Model + 原子化 Tools 为什么更优 核心思想： 不再分“智能体”，只分“能力”
- 减少中间决策节点。决策次数减少 → 错误率指数下降
- 所谓“能力沉淀为原子化工具”，意味着：每个工具做一件极窄的事；参数 schema 严格；不允许语义歧义
- 多 Agent 的一个隐形问题是：每个 Agent 都有不同 system prompt。LLM 是概率模型：不同 prompt → 分布不同
以上本质是：减少llm的决策空间
用于降低模型幻觉的方式：(微调) 编写了严格的规则，对模型生成的工具调用语法、参数格式进行校验。例如，如果模型幻觉出商品卡片但并未调用search_db工具（搜索商品的工具），就会得到一个极低的格式分。通过这种方式，模型很快就学会了遵守工具调用的“语法纪律”
回答优化： 目标： 在格式正确的基础上，教会模型生成内容更优质、语义更准确、更具吸引力的回复。 方法： 我们引入了一个轻量级的、4B参数的LLM-as-Judge作为“裁判”。它会综合上下文、人工标准答案以及模型回复，从准确性、完整性、生动性等多个维度进行综合评估，并给出一个0-1之间的奖励分数
用户和智能体 Agent 在一个会话中的多轮交互（user-query & response）
从用户和智能体 Agent 的多个会话中抽取的通用信息，可以跨会话辅助 Agent 推理
长期记忆的信息从短期记忆中抽取提炼而来，根据短期记忆中的信息实时地更新迭代，而其信息又会参与到短期记忆中辅助模型进行个性化推理
长期记忆与短期记忆形成双向交互：一方面，长期记忆从短期记忆中提取“事实”、“偏好”、“经验”等有效信息进行存储（Record）；另一方面，长期记忆中的信息会被检索并注入到短期记忆中，辅助模型进行个性化推理（Retrieve）
agent:自然语言即可完成所有业务逻辑 Workflow: 固定路径流转，条件判断有限，无法动态调整策略，复杂流程维护困难
Multi Agent架构： Routing(路由模式)：主智能体仅负责任务分发，子智能体直接返回结果，主智能体不参与后续处理 Handoffs(交接模式)：当前智能体完成部分任务后，主动将控制权交至下一个智能体，下一级通常将结果逐级返回 Planning(规划模式)：主智能体先生成完整行动计划，再调度执行，并通常负责最终汇总与总结