原文：Threads
摘要
Threads 上 @mindfuleren 轉貼了一張「AI Agent 的完整架構」圖（原圖出自小紅書 @林抒，動態版由 live-panel 製作），
說這是他看過最清楚、最簡單的 Agent 架構圖。整張圖把一個 AI Agent（會自己規劃、使用工具、檢查結果的 AI 助理）拆成六個角色，
用「使用者目標 → 規劃 → 推理 → 核心迴圈（思考、行動、輸入）→ 工具／MCP → 反思 → 輸出」一條主線串起來，
再用 Memory 在旁邊提供上下文、接收更新。
重點
- User Goal（使用者目標）：一切的起點。圖上的例子是「幫我做一份競爭對手分析並發到 Slack」。
- 1. Planner（規劃）：把目標拆成可執行的步驟。例子拆成五步：搜集資料 → 整理資訊 → 分析對比 → 生成 PPT → 發送 Slack。
- 2. Reasoning（推理）：決定「下一步要做什麼、怎麼做」，是規劃與執行之間的決策層。
- Agent 核心迴圈：
Thinking（理解問題、分析目標、思考方案）→Action（選擇合適的工具執行任務）→Action Input（準備並傳遞工具所需的參數），跑完一輪再回到 Thinking，循環迭代直到任務完成。 - 3. Memory（記憶）：分三種。長期記憶（使用者偏好、角色設定）、短期記憶（當前任務上下文）、工作記憶（已完成的步驟與結果）。它向 Planner「提供上下文」，並在 Reflection 之後被「更新記憶」。
- 4. Tool（工具）：Agent 實際動手的能力，例如瀏覽器搜尋、程式碼執行、資料分析、資料庫查詢、寄信、Slack 通知。
- 5. MCP：Model Context Protocol，一套統一的連線協議，讓 Agent 用同一種方式接上 Google 搜尋、GitHub、Notion、資料庫、Slack 等外部系統，工具透過 MCP 連接進來。
- 6. Reflection（反思）：檢查結果、發現問題、修正並重試；結果有問題就「調用反饋」回到工具層重做。
- 輸出：Function 調用／執行結果回傳後，產出 Final Answer（最終回答給使用者）與 Task 最終結果（檔案、連結等任務產物），最後以「互動卡片」（圖文、表格、連結、檔案）或「自然語言」兩種方式呈現。
- 圖的一句話總結：Planner 負責規劃，Reasoning 負責決策，Memory 負責記憶，Tool 負責執行，MCP 負責連接，Reflection 負責自我修正，最終共同完成使用者目標。
個人洞見
這張圖適合拿來當「名詞對照表」：之後讀到 ReAct、planning、reflection、MCP 這些詞，可以直接對回圖上的位置。
跟 Anthropic 的 Building Effective Agents 對照看會更有感：那篇說多數場景用固定 workflow 就夠，
這張圖畫的正是「完整版自主 agent」會有的全部零件，實作時不必六個都上，缺哪塊再補。
圖裡 MCP 那格也就是 WebMCP 想把網站接進來的那個介面層。