AI Agent的开发需要一系列核心能力的支撑，这些能力共同构建了一个智能且高效的系统。以下是对开发一个AI Agent所需的十大技能的详细解析。
ReAct 循环机制
AI Agent的基础是一个ReAct循环，它代表着“推理”（Reasoning）和“行动”（Action）。 用户向大型语言模型（LLM）发起请求，LLM根据请求进行推理，判断是否需要调用外部工具。如果需要，LLM会调用工具获取信息，然后将信息反馈给LLM进行进一步处理。若无需工具，LLM会直接生成回复。这个循环是所有现代AI Agent的基石，但其本身不能直接用于实际应用，需要在此基础上扩展更多功能模块。
工具（Tools）
Tool是LLM的“手脚眼耳鼻”，赋予LLM与外部世界交互的能力。基础的Tool包括文件读写（如read_file, write_file）、命令执行（exec）、Python脚本运行（run_python）、以及网络操作（web_search, web_fetch）等。这些内置工具让Agent能够执行特定任务或获取信息，例如搜索网络、读取或创建文件。Tools是贯穿整个Agent系统的核心模块，没有Tools，Agent将无法进行实际操作，只能进行简单的问答，形同虚设。
技能（Skills）
Skills是对Tools的封装和管理。当Tools数量庞大时，LLM难以有效管理和选择。Skills机制通过加载特定技能（load_skill），自动创建技能（skill-creator），以及发现社区中的优秀技能（find-skills）如PDF处理（pdf）和自定义技能（baoyu-skills）等，让LLM能根据用户需求动态加载和调用技能，提高其问题解决能力。这种机制使得Agent可以根据情境按需使用专业工具，避免了模型“乱套”的风险。
记忆（Memory）
记忆功能对于个人AI助手至关重要，它确保Agent能记住用户的名称、偏好、职业、计划等信息。记忆主要分为以下几类：
- 短期记忆（short-term）：用于当前会话的上下文，确保对话连贯。
- 长期记忆（long-term）：跨会话的记忆，用于存储用户的长期目标和特征。
- 用户画像（profile）：用户个人信息和习惯的集合。
记忆的存储和检索通过类似SQLite FTS（全文搜索）的技术实现，支持记忆的创建（m-create）和检索（m-retrieve），并能考虑相关性和时间衰减性，确保检索到的记忆是最相关和最有价值的。
上下文（Context）
LLM的请求是无状态的，这意味着每次请求都是独立的。为了维持会话的上下文，每次请求需要附带之前的聊天记录和相关信息。当上下文过长时，会导致Token消耗过多，费用增加，并可能引发LLM的“幻觉”或降低效率。因此，上下文压缩（compact）成为关键。
ZhTalk采用了多层压缩策略，以减轻Token和费用的负担，提高Agent的效率和准确性。常用的压缩策略包括微压缩（micro-compact），工具压缩（tool-compact）以及自动压缩（auto-compact）等。这些压缩策略能够有效减少发送给LLM的数据量，提高响应速度并降低成本。
权限（Permission）
AI Agent并非完全可靠，可能存在幻觉、错误或执行危险操作的风险。为保障用户数据安全和系统稳定，权限管理不可或缺。权限分为读写（read, write）、执行（exec）和网络访问（network）等，根据危险程度有不同等级的判断。对于高风险操作，Agent会直接拒绝；对于中等风险，会通过“人在回路”（human-in-the-loop）机制，让用户确认后执行；而低风险操作则直接通过，以优化用户体验。
子代理（Sub-agent）
面对复杂任务，单个Agent可能效率低下。子代理（Sub-agent）允许将任务分解成更小的、独立的子任务，并分配给不同的子Agent并行处理。每个子Agent拥有独立的上下文、工具和技能，互不干涉。当一个子Agent处理完子任务后，会将结果返回给主Agent，主Agent再进行汇总和进一步处理。这种机制有效降低了Token消耗，提高了处理效率和响应质量。
会话（Sessions）
多会话管理对Agent的可用性至关重要。用户可以创建新会话（create/new），列出所有历史会话（list/sessions），并随时回溯到之前的会话（rewind）。这使得用户可以在不同任务之间灵活切换，而不会丢失之前的上下文。同时，会话管理也方便了context的持久化和检索。
命令（Command）
Agent通过命令（slash-command）与用户交互。除了聊天功能外，用户还可以通过输入特定命令来执行功能，如new（开始新对话）、rewind（回溯会话）、sessions（列出所有会话）、compact（压缩上下文）等。此外，Agent还需要支持系统命令（system-cmd），让用户可以直接通过Agent执行系统操作，增强灵活性。
钩子（Hook）
Hook机制提供了在特定事件发生前后插入自定义逻辑的能力，例如在调用工具前执行预处理（pre-tool）、在调用工具后执行后处理（post-tool），或者在会话创建前后执行特定操作。Hook允许开发者或用户自定义Agent的行为，使其更灵活和适应多变的需求。例如，可以利用Hook来集成AI Agent的学习成果。
查询引擎（Query Engine）
查询引擎用于处理API请求、流式处理、缓存管理、错误处理、重试机制，以及处理速率限制和Token限制。这是一个综合性的模块，确保Agent在执行复杂操作时能流畅、稳定地运行。它的存在，使得Agent能够以高效、可靠的方式与各种外部服务和数据源进行交互，避免了因外部服务不稳定导致的Agent故障。
技术栈（Tech Stack）
实现ZhTalk AI Agent需要选择合适的技术栈。目前，该项目主要采用以下技术：
- Node.js与pnpm：提供高性能的JavaScript运行时和高效的包管理。
- TypeScript：增强代码的可维护性和健壮性。
- LangChain和LangGraph：作为开发LLM应用程序和Agent的强大框架，简化了与大模型的交互和Agent逻辑的构建。
- Commander.js：用于构建命令行界面（CLI），方便用户交互。
- SQLite：轻量级数据库，用于存储记忆和配置。
- Kimi：作为当前主要支持的大语言模型，未来将扩展支持更多国内外大模型，包括本地部署模型。
以上十大技能和技术栈共同构成了AI Agent的强大能力。通过不断优化这些方面，可以开发出更智能、更高效、更安全的AI Agent，为个人和企业提供全面的智能助手服务。