2. 核心思想

一句话理解：Agent Runtime 的核心思想是把“模型单次响应”扩展成“目标驱动的多轮执行循环”，并在循环中集中管理工具、记忆、状态、护栏与可观测。

1. ReAct：推理与行动交织

ReAct（Reasoning + Acting）是大多数 Agent Runtime 的基础范式：

Thought → Action → Observation → Thought → Action → Observation → ... → Answer

每一轮：

1. Thought：模型根据当前目标和历史，思考下一步要做什么。
2. Action：模型输出结构化调用请求，例如调用 calculator 或 search。
3. Observation：Runtime 执行工具，把结果回传给模型。
4. 循环直到模型认为任务完成，输出最终答案。

ReAct 让模型从“聊天”变成“做事”。Runtime 的价值就是把这套循环标准化、可观测、可恢复。

2. Tool / Function Calling

工具调用是 Agent 与外部世界交互的接口。Runtime 需要提供：

• Tool Registry：注册工具、生成 JSON Schema、校验参数。
• Schema 生成：自动从函数签名和类型注解生成 OpenAI-compatible function schema。
• 并行调用：支持一次返回多个 tool call。
• 结果回注：把 tool output 以 tool role 消息写回对话历史。

示例：

@tool(description="计算数学表达式")
def calculator(expr: str) -> str:
    return str(eval(expr))

对应 schema：

{
  "type": "function",
  "function": {
    "name": "calculator",
    "description": "计算数学表达式",
    "parameters": {
      "type": "object",
      "properties": {
        "expr": {"type": "string"}
      },
      "required": ["expr"]
    }
  }
}

3. Memory：让 Agent 有记忆

Runtime 需要在循环中维护上下文。常见记忆类型：

类型	作用	示例
Working Memory	当前会话的完整对话历史	messages list
Short-term Memory	最近几轮摘要	防止上下文溢出
Long-term Memory	跨会话的用户偏好、事实	vector DB、知识图谱
Episodic Memory	过去的任务经验	成功/失败案例

生产要点：

• 上下文长度有限，需要摘要或截断策略。
• 上下文压缩（compaction）在 2026 年成为 Runtime 的一等能力，而不是循环跑不下去时的补救措施：OpenAI Agents API（2026-09-10）把自动 compaction 做成托管原语（会话接近上下文上限时自动压缩早期交互）；Agents SDK v0.22 引入 session compaction，v0.24.0（2026-10-15）进一步规定有待审批请求时推迟压缩；Claude Code v2.1.x（2026-09/10）支持空闲会话自动压缩，且 PreCompact hook 可以阻断一次压缩并追加指令。压缩事件本身应进入 trace，否则重放与调试会对不上上下文。
• 记忆读写应该可插拔，支持内存、Redis、向量数据库。
• 敏感信息不能无差别存入长期记忆。

更系统的记忆系统设计参见 Agent Memory 主题。

4. Planning：从目标到计划

复杂任务需要先规划再执行。Planning 在 Runtime 中有两种粒度：

• 单步规划：每轮只决定下一个 action（纯 ReAct）。
• 多步规划：先把目标拆成 subgoals，再逐个执行。

Runtime 内置轻量 Planner；更复杂的规划（hierarchical planning、orchestrator-delegate）留给后续 Planning 主题。

5. Guardrails：护栏

Agent 能调用工具，就必须有边界。Runtime 的护栏包括：

• 输入护栏：过滤敏感词、越狱提示、越权请求。
• 输出护栏：检查模型输出是否泄露 PII、是否符合格式。
• 工具调用护栏：限制调用次数、禁止危险工具、路径白名单。
• 资源护栏：超时、最大迭代次数、最大 token 消耗。
• 人机协同（HITL）：写文件、转账、删除数据等高风险操作需要人类确认。

6. Observability：可观测从 Day 0 做起

Runtime 是 Agent 执行路径上的唯一观测点，必须记录：

• Trace：一次完整任务的执行树。
• Span：每个 thought、tool call、observation 的耗时。
• Event：guardrail 触发、fallback、HITL 请求、错误恢复。
• Metrics：任务成功率、平均步数、工具调用分布、token/成本。
• Logs：结构化日志，包含 session_id、task_id、tool、参数、结果。

没有 trace 的 Agent 就像没有日志的分布式系统，出了问题无法定位。

2026 年的行业共识是：用 OpenTelemetry GenAI 语义约定作为可移植的观测标准。约定把一次 Agent 执行建模为 span 树：invoke_agent → chat → execute_tool，并用 gen_ai.operation.name 区分 create_agent / invoke_agent / execute_tool / retrieval / plan 等操作。需要注意两点：

• 截至 2026 年，所有 gen_ai.* 属性仍处于 Development 状态（未稳定），2026-06 起规范迁移到独立的 semantic-conventions-genai 仓库后仍在快速演进（例如 gen_ai.system 已废弃、改用 gen_ai.provider.name），接入时要做好版本固定与 rename 预算。
• Langfuse、Datadog、Arize Phoenix 等后端都已支持 OTel GenAI 约定，采集层一次接入、后端可换成为事实上的最佳实践。

7. Session & State：让任务可恢复

Agent 任务可能持续很久，Runtime 需要管理：

• Session State：当前处于 idle/planning/acting/observing/done/error 哪个状态。
• Checkpoint：把状态持久化，支持中断后恢复。
• Resume：从上次状态继续执行，而不是从头开始。

2025–2026 年这一思想进一步发展出 durable execution（持久化执行）：Runtime 把每一步执行记录到 journal（事件溯源），进程崩溃后从最后一条记录重放恢复，而不是依赖“定期 checkpoint + 最佳努力恢复”。LangGraph 自研了 checkpoint/resume 机制；Temporal、Inngest、Restate、DBOS 等通用 durable 引擎则把这一能力做成独立底座——Agent 循环跑在 workflow 里，每一步是一个 activity/step。2026 下半年厂商 SDK 也在补齐同一能力：OpenAI Agents SDK v0.20.0（2026-08-11）加入 RunState.add_input() 把用户输入暂存为 durable 输入，v0.21.0（2026-08-15）加固了 RunState 中断快照与递归 agent-tool 审批。经验法则是：任务超过几分钟、或有外部副作用（写库、发邮件、扣费），就应该用 durable execution 而不是进程内状态机。

8. Recovery：失败恢复

Agent 任务失败模式比普通 API 更复杂：

• 工具调用参数错误 → Runtime 可让模型重新生成。
• 工具执行超时 → 可 fallback 到备用工具或提示用户。
• 模型输出无法解析 → 可重试或进入错误状态。
• 循环次数超限 → 强制终止并返回中间结果。

9. Skills：比 MCP 更轻量的能力封装

2026 年工程界越来越倾向于用 Skills 描述 Agent 能力：

Function Call → MCP → Skills

• Function Call：最原始，模型直接输出 JSON。
• MCP：标准化工具发现协议，2026-07-28 规范转向无状态核心后部署成本大降，但跨进程/跨网络的协议开销依然存在。
• Skills：在 Runtime 内声明式注册的能力单元，通常是“指令 + 脚本 + 资源”的文件夹形态，带 auth、telemetry、sandbox，可版本化、可分发，开箱即用。

标志性进展：

• Anthropic 2025 年底推出 Agent Skills 后，Claude Code 在 2026 年把自定义 slash commands 并入 skills 体系（v2.1.3），形成 CLAUDE.md（上下文）→ skills（方法）→ hooks（确定性拦截）→ subagents（委派） 的分层。
• Google ADK 2.0（2026-05 Python GA）把 skills 生命周期管理（注册、加载、更新、下线）做成一等公民。
• OpenAI Agents SDK 2026-04 版本加入了 Code Mode 与按需加载的 ToolSearchTool，解决“工具太多撑爆上下文”的问题——与 skills 的渐进式披露思路一致。

本主题不深入 MCP，把 Skills 视为 Runtime 内部的原生能力单元。

本章小结

Agent Runtime 的九大核心思想——ReAct、Tool Calling、Memory、Planning、Guardrails、Observability、Session/State、Recovery、Skills——共同构成 Agent 的执行底座。理解它们之间的边界，是后续学习架构与源码的基础。

参考来源

• ReAct Paper
• OpenAI Function Calling
• LangGraph Persistence
• The state of the OpenTelemetry GenAI semantic conventions (July 2026)
• The MCP 2026-07-28 Specification
• Claude Code Skills in 2026: The Complete Guide
• Claude Code Changelog（GitHub Releases）
• OpenAI Agents SDK Changelog（v0.19–v0.24，2026-07→10）
• 从 Function Call 到 MCP → SKILLS