Agent（智能体）

什么是 Agent

Agent（智能体） 是能自主感知环境、做出决策、调用工具、完成多步任务的 AI 系统。

打个比方：

LLM = 大脑（能思考、能回答，但没手脚）
Chatbot = 大脑 + 嘴巴（能对话，但仍不能行动）
Agent = 大脑 + 嘴巴 + 手脚（能对话、能用工具、能完成任务）

用户："帮我查一下明天北京的天气，如果下雨就提醒我带伞"

Chatbot："我无法查询实时天气"（没工具）

Agent：
  1. 调用天气 API 查询 → 明天北京小雨
  2. 判断：下雨 → 需提醒
  3. 调用日历 API → 创建提醒"带伞"
  4. 回复："已查询，明天北京小雨，已设置带伞提醒"

Agent 让 AI 从"回答问题"进化到"完成任务"。

Agent 的核心架构

一个完整的 Agent 系统包含五个组件：

┌─────────────────────────────────────────┐
│                  Agent                   │
│                                         │
│  ┌─────────┐    ┌─────────────────┐    │
│  │  LLM    │←──→│  规划器 Planner  │    │
│  │ (大脑)  │    │  (拆解任务)      │    │
│  └─────────┘    └─────────────────┘    │
│       ↓                 ↓               │
│  ┌─────────────────────────────────┐   │
│  │        记忆 Memory              │   │
│  │  (短期:对话 / 长期:向量库)       │   │
│  └─────────────────────────────────┘   │
│       ↓                                 │
│  ┌─────────────────────────────────┐   │
│  │      工具调用 Tool Use           │   │
│  │  (搜索/API/代码/数据库)          │   │
│  └─────────────────────────────────┘   │
│       ↓                                 │
│  ┌─────────────────────────────────┐   │
│  │      执行器 Executor            │   │
│  │  (执行动作 + 观察结果)           │   │
│  └─────────────────────────────────┘   │
└─────────────────────────────────────────┘

1. LLM（大脑）

负责理解、推理、决策。主流选择：

GPT-4o / o1（OpenAI）
Claude 3.5 Sonnet（Anthropic）
通义千问 / 文心（国产）

2. 规划器（Planner）

把复杂任务拆解为子任务：

任务："写一篇竞品分析报告"
→ 子任务：
   1. 搜索竞品信息
   2. 整理功能对比
   3. 分析定价策略
   4. 撰写报告

3. 记忆（Memory）

类型	说明	实现
短期记忆	当前对话上下文	LLM 上下文窗口
长期记忆	跨会话的知识与偏好	向量数据库
工作记忆	当前任务的中间状态	临时变量/文件

4. 工具调用（Tool Use）

让 LLM 能"动手"：

工具类型	示例
搜索	Brave Search / Google
代码执行	Python / JavaScript 沙箱
API 调用	任意 REST/GraphQL API
数据库	SQL 查询
文件操作	读写本地文件

5. 执行器（Executor）

执行工具调用并观察结果，形成"行动-观察"循环。

Agent vs Chatbot

维度	Chatbot	Agent
核心能力	回答问题	完成任务
工具使用	❌	✅
多步执行	❌	✅
自主决策	❌	✅
环境感知	❌	✅
错误恢复	❌	✅ 重试/换方案
主动性	被动回答	主动规划
复杂度	低	高
成本	低	高（多步调用）

一句话区分：Chatbot 是"你问我答"，Agent 是"你说目标，我想办法完成"。

ReAct 范式

ReAct（Reasoning + Acting） 是最经典的 Agent 范式，由 Yao et al. 2022 提出：

循环：
  Thought（思考）：分析当前状态，决定下一步
  Action（行动）：调用工具
  Observation（观察）：获取工具返回结果
  → 回到 Thought，直到任务完成

示例

任务：查一下 OpenAI 最新估值

Thought 1：我需要搜索 OpenAI 估值最新消息
Action 1：search("OpenAI valuation 2026")
Observation 1：找到新闻"OpenAI 估值达 5000 亿美元"

Thought 2：找到了，需要确认来源可靠性
Action 2：search("OpenAI 5000亿 估值 来源")
Observation 2：多家主流媒体报道，可信

Thought 3：信息充分，可以回答
Final Answer：OpenAI 最新估值约 5000 亿美元（2026 年 X 月报道）

ReAct 的精髓：推理与行动交替，边想边做，根据观察调整策略。

其他 Agent 范式

Plan-and-Execute

1. 先规划全部步骤
2. 逐步执行
3. 必要时重新规划

适合：步骤明确的任务（如"按这个流程做"）。

ReWOO

1. 一次性生成所有工具调用计划
2. 并行执行
3. 汇总结果

适合：可并行的独立子任务。

Reflexion

1. 执行任务
2. 自我反思（哪里做得不好）
3. 改进后重试

适合：需要自我纠正的高质量任务。

主流 Agent 框架

框架	特点	适合
LangGraph	状态机，多 Agent 协作	复杂系统
AutoGen	多 Agent 对话	多角色协作
CrewAI	角色分工	团队模拟
OpenAI Assistants API	官方托管	快速上线
Claude Computer Use	操作电脑	桌面自动化
Dify Agent	可视化编排	低代码
Coze Bot	多平台分发	C 端 Bot

详见 Dify vs LangChain 对比。

MCP 与 Agent 的关系

MCP（Model Context Protocol）是 Agent 调用工具的标准化协议：

Agent → MCP 协议 → 各种工具服务器
                    ├── Filesystem MCP（文件操作）
                    ├── Postgres MCP（数据库查询）
                    ├── Brave Search MCP（搜索）
                    └── GitHub MCP（仓库操作）

MCP 让 Agent 的工具接入标准化，无需为每个工具写定制集成。

Agent 的应用场景

1. 编程助手

任务："给这个项目加单元测试"
Agent：
  1. 读取项目结构
  2. 识别测试框架
  3. 生成测试代码
  4. 运行测试
  5. 修复失败用例
  6. 提交 PR

代表：Claude Code、Cursor Composer、Devin。

2. 数据分析

任务："分析销售数据下降原因"
Agent：
  1. 查询数据库
  2. 多维度拆解
  3. 生成图表
  4. 提炼洞察
  5. 撰写报告

代表：ChatGPT Code Interpreter、Claude Analysis。

3. 研究助手

任务："调研 RAG 技术最新进展"
Agent：
  1. 搜索论文
  2. 摘要提炼
  3. 对比分析
  4. 生成综述

代表：Perplexity、ChatGPT Search。

4. 工作流自动化

任务："每天早上整理邮件摘要发飞书"
Agent：
  1. 读取邮件
  2. 分类摘要
  3. 调用飞书 API 发送

代表：Zapier AI、Make.com。

常见误区

误区 1：Agent = Chatbot + 工具。Agent 的核心是自主决策与多步规划，不只是"能调工具的 Chatbot"。
误区 2：Agent 能完成任何任务。Agent 受限于工具能力与 LLM 推理水平，复杂任务仍需人工介入。
误区 3：Agent 不会出错。Agent 可能在某步走错，需设计错误恢复机制。
误区 4：Agent 越自主越好。高风险场景需"人机协作"，关键步骤人工确认。
误区 5：Agent = AGI。Agent 是工具增强的 LLM，不是通用人工智能。
误区 6：Agent 不需要 Prompt 工程。Agent 的系统 Prompt 与工具描述质量直接影响效果。

Agent 的挑战

挑战	说明	当前方案
可靠性	多步执行易累积错误	Self-Consistency / Reflexion
成本	多次 LLM 调用费用高	缓存 / 小模型做规划
延迟	多步串行耗时长	并行 / Plan-and-Execute
安全性	Agent 能执行真实操作	权限控制 / 人工确认
可观测性	难以调试黑盒行为	LangSmith / 逐步日志
评估	难以量化 Agent 效果	AgentBench / 任务完成率

与其他术语的关系

LLM：大语言模型，Agent 的大脑
RAG：检索增强，Agent 的知识来源
Embedding：嵌入，Agent 记忆的基础
Token：token，Agent 多步调用的成本单位
Hallucination：幻觉，Agent 工具调用可缓解

小结

Agent 是 LLM 的进化形态：从"回答问题"到"完成任务"，从"单轮对话"到"多步自主执行"。理解 Agent 的关键要点：

五组件：LLM + 规划器 + 记忆 + 工具 + 执行器
核心范式：ReAct（思考-行动-观察循环）
与 Chatbot 区别：Agent 能用工具、能多步、能自主
MCP 标准化工具接入：让 Agent 能力可扩展
挑战：可靠性、成本、安全需平衡

掌握 Agent，就掌握了 AI 应用的终极形态。从 Chatbot 起步，按需升级到 Agent，是 AI 应用演进的典型路径。