请从零开始设计一个大模型智能体（Agent），详细说明其核心组件（如规划、记忆、工具调用、执行等）、工作流程（如任务理解、分解、决策、反馈循环），并阐述关键设计决策背后的考虑因素，包括如何与RAG系统结合以增强知识获取能力。

Function Calling 五步工作流程

Step 1: 开发者定义工具（JSON Schema 格式）
        tools = [{"name": "search", "description": "搜索互联网",
                  "parameters": {"query": {"type": "string"}}}]

Step 2: 用户提问
        "北京今天天气怎么样？"

Step 3: LLM 意图识别 -> 返回 JSON 格式工具调用（不是自然语言！）
        {"name": "get_weather", "arguments": {"city": "北京"}}

Step 4: 后台代码解析 JSON，执行真正的 API 调用
        weather_api.call(city="北京") -> "25 C，晴"

Step 5: 将 API 结果回传给 LLM，生成最终回复
        LLM 看到结果后生成：「北京今天 25 度，天气不错」

完整代码实现

tools = [
    {
        "name": "search_knowledge_base",
        "description": "搜索保险知识库，适用于保险相关问题",
        "parameters": {
            "type": "object",
            "properties": {
                "query": {"type": "string", "description": "搜索查询词"}
            },
            "required": ["query"]
        }
    }
]

response = client.chat.completions.create(
    model="gpt-4", messages=messages, tools=tools, tool_choice="auto"
)

if response.choices[0].message.tool_calls:
    tool_call = response.choices[0].message.tool_calls[0]
    args = json.loads(tool_call.function.arguments)
    result = tools_registry[tool_call.function.name](**args)
    messages.append({"role": "tool", "content": str(result),
                     "tool_call_id": tool_call.id})
    final = client.chat.completions.create(model="gpt-4", messages=messages)

保障输出格式正确的三种方法

# 方法 1: JSON Schema 约束（最推荐）
response_format = {"type": "json_object"}

# 方法 2: Prompt 约束 + Pydantic 后处理校验
from pydantic import BaseModel
class ToolCall(BaseModel):
    tool: str
    params: dict

try:
    result = ToolCall.model_validate_json(llm_output)
except ValidationError:
    result = retry_with_format_hint(llm_output)  # 提示 LLM 重新输出

# 方法 3: 约束解码（Guided Generation）
import outlines
generator = outlines.generate.json(model, ToolCall)

Function Calling vs Toolformer 对比