什么是 Agent
一句话定义：Agent 是以 LLM 为大脑、结合工具与记忆、能在循环中自主感知环境并采取行动以完成多步目标的系统。
1. 定义
AI Agent（智能体）指能够自主感知环境、做出决策、采取行动以达成目标的系统。在 LLM 时代，Agent 特指以大语言模型作为推理与决策核心，配合工具调用、记忆机制与执行循环，完成单轮 LLM 难以胜任的多步、需反馈、跨工具的任务。
经典公式：Agent = LLM（大脑）+ Tools（手脚）+ Memory（记忆）+ Loop（循环）
2. Agent vs LLM vs 聊天机器人
| 维度 | 裸 LLM | 聊天机器人 | Agent |
|---|---|---|---|
| 交互 | 单轮 | 多轮对话 | 多步行动循环 |
| 能力 | 生成文本 | 问答/闲聊 | 调用工具、改环境 |
| 自主性 | 无 | 低（被动响应） | 高（主动规划执行） |
| 记忆 | 仅上下文窗口 | 会话历史 | 短期+长期+外部存储 |
| 例子 | GPT 裸调用 | 客服 FAQ 机器人 | 自动修 bug 的 Devin |
关键区别：Agent 的本质是"能动手"——它不只是回答问题，而是通过工具调用真实改变环境（写文件、发邮件、改数据库、跑代码）。
3. Agent 的能力边界
能做
- 多步推理与规划
- 调用外部 API/工具
- 根据运行结果自纠
- 跨会话保持记忆
- 处理需反馈闭环的任务（调试、搜索、预订）
难做 / 做不好
- 长程一致性（易丢失目标）
- 精确数学/逻辑（依赖工具辅助）
- 实时性（知识有截止日期，需 RAG 补）
- 可靠性（可能"看似完成实则错误"）
- 安全敏感操作（需人在环上）
4. Agent 的分类
按自主程度：
- 工具增强型：人主导，AI 调工具辅助（如 Copilot）。
- 半自主型：AI 执行多步，关键节点人审批（如 Claude Code）。
- 全自主型：AI 端到端完成，人只看结果（如 Devin 的部分模式）。
按形态：
- 单 Agent：一个 Agent 完成全部任务。
- 多 Agent：多个角色分工协作（见 06 模块）。
5. 为什么现在火
- 模型能力到位：GPT-4/Claude 3.5+ 推理与工具调用能力质变。
- 工具调用标准化：Function Calling、MCP 让集成成本骤降。
- 框架成熟：LangGraph、AutoGen 等降低开发门槛。
- 场景验证：Cursor、Devin、Claude Code 证明工程级可行。
- 成本下降：模型推理成本持续走低，长循环可负担。
6. 学习要点
- 理解 Agent 的四大组件及其协作方式（见下一篇）。
- 区分"单轮生成"与"循环行动"的本质差异。
- 记住 Agent 的核心价值是"接地反馈"——基于真实环境结果自纠，而非纯文本推理。
- 始终关注可靠性、成本、安全三大工程约束。
7. 参考资料
- Lilian Weng, "LLM Powered Autonomous Agents"（2023）
- Anthropic, "Building Effective Agents"（2024）
- "The Rise and Potential of Large Language Model Based Agents"（综述）
评论
评论加载中…