AI 智能体基础知识：从 ReAct 到 MCP / A2A / AG-UI 协议栈

AI 智能体是具备环境感知、逻辑决策、动作执行的自主软件。核心工作流包含四个要素：规划、记忆、工具、执行。技术点还包括 Prompt（交互入口）、Memory（记忆）、Tools（外部能力）、LLM（大脑）与思维框架（ReAct / 思维链 / 思维树）。

ReAct = Reason（推理）+ Act（行动）。核心逻辑是「语言推理 → 工具行动 → 结果观察」的循环迭代：先自然语明确认为何行动、选什么工具；再调用工具拿到反馈；把「推理 + 结果」存入 Memory 作为下一轮上下文，直到任务完成。先推理后行动，避免盲目调工具。

短期记忆 = 缓存 + Prompt（系统指令 / 对话历史 / 工具返回 / 当前查询），其有效性依赖 Transformer 的注意力机制；

长期记忆 = RAG + 外部向量存储与检索。预训练与微调也可视为长期记忆的一部分。

大模型预训练后能力与知识边界基本固化，因此工具尤为关键——通过 Function Calling 调用搜索、计算、API、代码解释器等，延伸智能体能力边界。

把复杂问题的处理流程提前编排、固化，再交由智能体规划调用；任务分解降低复杂场景的幻觉风险（本质仍是「工具调用 + 低代码」）。

MCP（模型上下文协议，Anthropic 推出）：像「USB 接口」一样统一 AI 与数据库 / API / 本地文件的交互，开发者按协议开发即可复用，省去重复适配。

A2A（Agent-to-Agent，谷歌主导）：Agent 间通信标准，支持能力发现、长时任务状态同步、跨平台兼容（HTTP/SSE/JSON-RPC）。

AG-UI（前端与智能体双向通信）：事件驱动，定义 16 种标准事件，支持 SSE / WebSocket / Webhook，与 LangGraph、CrewAI 等兼容，把后端 Agent 状态实时推到前端。

分层解耦：AG-UI ↔ A2A ↔ MCP ↔ 基础智能体群。

当 MCP/A2A 规范了 Agent 与工具、Agent 与 Agent 的通信后，Agent 与用户之间的交互恰恰缺标准化——这正是 AG-UI 的意义，也是前端工程师的用武之地：用事件驱动把后端 Agent 的状态与动作实时呈现到 UI，做「懂 AI 的前端」。