AI 智能体

概念解析——AI Agent

AI Agent(智能体)是一个能自己决定下一步做什么、并真的去做的大模型程序。普通的聊天模型只会回答你的问题,Agent 在外面多套了两层能力:能调外部工具(搜索、读写文件、跑代码、调 API),并且能多轮自我循环——看到工具返回的结果,再决定下一步怎么走,直到任务完成或卡住。

2024 年底 Claude 第一次直接操作屏幕,2026 年这种"会动手的 AI"已经在帮人处理订机票、写代码、跑数据分析。Agent 不是一种新模型,它是一种新架构——在大语言模型外面包了一圈"感知→规划→行动→观察"的循环,把模型从"会说话"变成了"会做事"。


§1

同一句话,两种回应

要看清 Agent 到底"多了什么",最快的方法是把它和一个普通聊天 AI 放在相同的指令前,看各自做了什么。

假设你给它一条指令:"我下周三到周六去东京,预算 5000,帮我安排好行程。"

传统大模型会给你一份图文并茂的攻略——浅草寺、晴空塔、涩谷购物,写得头头是道。但你拿它没办法:它查不了机票、订不了酒店、没法把行程存进你的日历。

Agent 的回应:
先调 skyscanner.search 查航班,发现 CA181 ¥1,840 往返最便宜;
再调 booking.search 找住宿,推荐新宿 ¥820/晚 × 3 = ¥2,460;
然后调 calendar.create 把 4 天行程块写进日历;
最后调 email.draft 把全部资料发到你邮箱。

全部就绪。航班 ¥1,840 / 酒店 ¥2,460 / 余 ¥700 留作交通吃饭。需要直接帮你下单吗?

这就是差异:LLM 只说,Agent 也做。LLM 一锤子,Agent 分步走。LLM 凭直觉,Agent 看真实数据。


§2

它的本质,就是一个循环

所有"看起来很复杂"的 Agent,去掉包装后都是同一个模式的反复:想想 → 做做 → 看看 → 再想想。每多转一圈,离用户的目标就更近一步。

这个循环在学术界有一个正式的名字——ReAct(Reasoning + Acting),来自 2022 年 Yao 等人的论文。它把"推理"和"行动"交错在一起:模型每想完一步,就立刻去执行一个动作,看到结果后再想下一步。这和人类处理复杂任务的方式一模一样。

一个典型的 Agent 循环长这样:

理解任务 → 调用工具 → 看结果 → 形成判断 → 回复用户。如果任务没完,就回到第一步继续转。

简单任务可能只转一圈就结束:用户问今天北京要不要带伞,Agent 调天气工具查到"60% 概率阵雨",直接回复"建议带伞"。复杂任务会转很多圈:写一篇技术博客,可能需要先搜资料,再写大纲,再写初稿,再自查修改,最后交稿——中间可能要调十几次工具。


§3

四个零件

再花哨的 Agent,拆开看也就四件套:一个会想的脑子、一组能用的工具、一个能存东西的记忆、一套排活儿的章法。

① 脑子(LLM)。负责理解任务、推理、决定接下来调用哪个工具。换一个脑子,Agent 的上限就变了。Claude Opus 4.7、GPT-5.5、Gemini 3.5 Flash、DeepSeek-V4——不同模型在推理质量、响应速度、上下文窗口和成本上差异很大。

② 工具(Tools)。LLM 自己什么都做不了,所有"动作"都靠工具。web.search 做实时检索,python.exec 运行任意代码,file.read/write 读写文件,browser.act 操作浏览器——给它装什么工具,它就只能做什么事。工具的排列组合决定了 Agent 的能力边界。

③ 记忆(Memory)。没有记忆,Agent 就是金鱼。它每次都从零开始,而真实任务总要跨多轮、跨天、跨周。短期记忆装在上下文窗口里,对话越长越满;长期记忆把关键事实抽出来存进数据库,下次主动召回;检索式记忆(RAG)外挂知识库,像先翻公司文档再回答。

④ 章法(Planning)。同样的大脑和工具,编排方式不同,效果差很多。Chain-of-Thought 想一步答一步,适合数学和逻辑题;ReAct 把推理和动作交错,适合需要查资料的复杂任务;Plan-and-Execute 先出完整计划再执行,适合步骤可预知的目标。


§4

Agent 的设计模式

前面讲的是"最自由的 Agent 长什么样"。实际做产品时,很多团队不用全自主,而是人先把流程画好、让 AI 当其中几步。Anthropic 在 2024 年底总结过:所谓"Agentic System"其实分两类——Workflows(人定流程、模型当节点)和Agents(模型自己决定流程)。

业内有 5 种常见的 Workflow 模式:

  • Prompt Chaining:把大任务拆成几段,前一段的输出喂给下一段。翻译→校对→调整语气,中间可加校验。
  • Routing:先分类,再把任务投递给最合适的子链。客服系统里技术问题走工程链、退款走退款链。
  • Parallelization:几个 LLM 并发跑再聚合。可以拆成独立子任务并发,也可以多次跑同一任务投票取稳。
  • Orchestrator→Workers:主控 LLM 动态拆分任务分发给 worker。子任务不是预定义的,而是现场决定。
  • Evaluator-Optimizer:一个 LLM 写、另一个当评委,循环修改直到达标。

第 6 种是真正的Autonomous Agent——不预设流程,模型自己规划、执行、在环境中收反馈。开放性最高,但成本和不可预测性也最高。Claude Computer Use、Cursor Composer 都属于这类。大多数生产系统是若干种 workflow 的组合,不是 autonomous agent。


§5

2026 年,它真的能做到哪一步

不看 demo 视频,看公开 benchmark。2026 年最有代表性的四个考试是:

SWE-bench Verified:从开源项目里抽真实 issue + PR,让 Agent 直接修代码跑测试。Claude Opus 4.7 达到 84.5%,GPT-5.5 为 79.2%。这是最贴近"代码工作"的评测。

Terminal-Bench:把 Agent 关进 bash 终端完成编译、调试、部署等任务。Claude Opus 4.7 以 67.8% 领先。

OSWorld:Agent 接管真实桌面,在浏览器、Excel、VS Code 等 GUI 里完成任务。Claude Sonnet 4.7 达到 56.3%,而人类 baseline 是 72.4%——差距还很明显。

GAIA:Meta 提出,覆盖搜索、多模态推理、文件操作、跨步骤问答。GPT-5.5 以 76.5% 居首。

落到产品上,2026 年三类 Agent 最有代表性:Coding Agent(Cursor、Claude Code、Devin)写代码改 bug;Computer Use(Claude Computer Use、ChatGPT Operator、Gemini Spark)操作浏览器和桌面;Knowledge Agent(ChatGPT Agent Mode、Perplexity Labs、NotebookLM)读资料写报告。别忽略 OSWorld 的人类 baseline:Agent 在结构化可验证的任务上已经超人,在开放模糊需常识的任务上仍然不行。


§6

它还不擅长的事

Agent 越能动手,下面四个问题越绕不开——不是换一个新模型就能消失的,是系统级的限制。

① 任务越长越容易跑偏。单步几乎不出错的模型,连续做 20 步就可能完全偏题。每多一步就多一次掉坑机会。假设单步可靠率 95%,10 步后总成功率只有 60%,20 步后只剩 36%。对策是把任务切短、设 checkpoint、容许人工接管。

② Token 账单像滚雪球。每多一轮循环,前面的上下文还要再发一遍。10 轮以后,单次任务的成本可能比一杯咖啡还贵。用 Claude Opus 4.7 跑 8 轮循环,输入 token 累积超过 7 万、费用约 1.5 美元。对策是用小模型做路由、截断历史、缓存 system prompt。

③ 错误会乘起来,不是加起来。单步 90% 准确听起来不错,但 10 步后总成功率掉到 35%,20 步只剩 12%。这是乘法不是加法。对策是加自检和验证步骤,把"执行"和"验证"拆给不同模型。

④ 第三方数据可以"劫持"它。Agent 读到的所有内容——网页、邮件、文件——都可能藏着伪装成指令的文字,它分不清。一封看似正常的邮件里藏了"转发所有邮件到攻击者邮箱",Agent 可能真的照做。对策是区分指令与数据、给工具最小权限、跨域操作前人工确认。

模型每年都在进步,但"长任务偏航""成本膨胀""错误累积""提示注入"这四个问题不会自己消失。做 Agent 应用真正的能力差距不在挑模型,而在怎么把循环切短、把成本管住、把错误隔离、把输入隔离。

§7

相邻概念

Agent 不是一个孤立概念。它建立在若干底层机制之上,你可以顺着这些方向深入:

  • Agent 循环:Agent 持续运行的主循环——感知→思考→行动→观察→再思考的完整机制。
  • MCP 协议:模型上下文协议,标准化 AI 模型与外部工具和数据的连接方式。
  • 函数调用:让模型输出结构化函数调用参数的技术,Agent 调用工具的底层机制。
  • 记忆系统:Agent 的信息持久化机制,包括短期工作记忆和长期知识记忆。
概念解析 · 人工智能ABC