AI Agent 第一章 —— Agent 到底是什么？

从"你问它答"到"它自己干"——我们已经在用 Agent 了

如果你用 Cursor 写过代码，看它搜索代码库、编辑多个文件、运行测试直到通过；用 Deep Research 调研过一个课题，看它反复搜索、阅读、总结出一份完整报告；用 Manus 操控浏览器帮你完成在线任务；让豆包手机助手帮你在手机上订票、发消息；或者让 Pine AI 替你打电话给运营商协商降低账单——你已经在使用 AI Agent 了。

这些产品形态各异，但有一个共同点：它们不再是"你问一句、它答一句"的被动对话，而是能够自主规划执行步骤、调用各种工具完成任务，并根据结果不断调整策略的智能系统。

这就是 Agent 和 Chatbot 的本质区别。

Agent 的核心公式：一个公式，三层理解

现代 Agent 系统的本质可以用一个极简公式表达：

Agent = LLM + 上下文 + 工具

这个公式每个词都需要做广义理解，而不是字面解释。更妙的是，同一件事可以从三个层次去理解，分别对应不同的读者背景：

理解一：直觉层（零门槛）

类比	职责
大脑	负责思考、规划、做决策——理解用户意图，拆解任务，判断下一步做什么
眼睛	提供思考所需的全部信息——当前状况、用户记忆、领域知识、任务进度
手脚	将决策转化为对现实世界的改变——发消息、执行代码、操控界面、调用 API

这个类比极其好用。不管遇到什么新 Agent 产品，你都可以用这三个维度迅速拆解它。

理解二：实现层（工程师视角）

把直觉层翻译成工程术语：

LLM 是 Agent 的大脑——不只是模型参数，而是整个决策内核。能力来源两块：预训练积累的世界知识和语言能力，加上后训练固化的决策策略。后者决定了 Agent 面对复杂情况时的"决策习惯"。
上下文是 Agent 的眼睛——不只是 input 的那段文本，而是 Agent 在每个决策点能看到的全部信息：环境信息、用户记忆、领域知识、自身状态、任务进展。上下文窗口就是它"当下能看到的一切"。
工具是 Agent 的手脚——不只是几个 API 函数，而是 Agent 能做的所有事情的集合：预定义的工具调用、按需加载的技能、动态生成代码创造新能力、委托子 Agent 协作、主动与用户沟通。

理解三：学术层（RL 背景可读，看不懂跳过）

如果你有强化学习背景，这个映射表帮助你快速对齐术语：

直觉	实现	学术概念	含义
大脑	LLM	策略（Policy）	面对当前观察，从所有可选行动中挑出最合适的一个
眼睛	上下文	观察空间（Observation Space）	Agent 能看到、读到、记住、访问的所有信息集合
手脚	工具	动作空间（Action Space）	Agent 能执行的所有操作的集合——从发消息到改代码到操控界面

五种 Agent 产品在三维度上如何展开

用"眼睛-手脚-策略"框架拆解五款主流 Agent，结论一目了然：

Agent 产品	眼睛（感知）	手脚（行动）	策略
Cursor 等 Coding Agent	需求文档、代码库、终端输出	代码搜索、文件读写、执行命令	增量开发：理解需求→搜索代码→编辑→测试→调试
Deep Research 等搜索 Agent	网络资源、学术数据库、本地文件	搜索查询、网页阅读、摘要生成	迭代深化：根据已有信息调整搜索方向，逐步综合
Manus 等电脑操控 Agent	电脑屏幕、浏览器、文件系统	点击、输入、滚动、截图、执行代码	视觉感知+操作：观察屏幕→识别元素→执行→验证
豆包等手机助手	手机屏幕、已安装 App	点击、滑动、输入、打开 App	意图理解+App 操控：理解需求→定位 App→操作→确认
Pine AI 等个人办事 Agent	用户账户、历史账单、服务商知识库	打电话、发邮件、填表单、与用户交互	多步骤执行：收集信息→制定策略→联系→谈判→汇报

关键洞察：所有 Agent 都是"工具箱"开放式的——内部思考 + 外部行动的组合。区别只在于感知的输入模态不同（代码库 vs 网页 vs 屏幕截图）和行动的环境不同（IDE vs 浏览器 vs 手机 OS vs 电话网络）。

工具：Agent 的五类手脚

工具是 Agent 与外部世界交互的桥梁。没有工具，Agent 只能"纸上谈兵"；有了工具，它才能真正改变世界。

按交互方向把工具分为五类：

其中事件触发工具与另外四类有本质区别——它不是 Agent 主动调用的，而是作为外部输入驱动 Agent 开始执行任务。比如收到一封新邮件、定时任务到点、Webhook 回调——Agent 是被事件"唤醒"的，而不是主动"伸手"的。

工具调用（Tool Calling）：Agent 手脚的神经系统

工具调用是现代 LLM Agent 的一项核心能力——它让模型能够通过结构化的方式调用外部工具，将 LLM 从一个纯粹的文本生成器转变为能够执行实际操作的智能系统。

四步循环

关键点：开发者只需定义工具和执行工具调用，模型自主完成"要不要调用、调哪个、传什么参数"的决策。 这个四步循环就是后文的 ReAct 循环的基础。

一个重要的设计原则

保持工具的通用性，给 LLM 更大的发挥空间。

具体来说：

与其设计一个专用的"计算器"工具 → 不如提供 Python 代码解释器 + 沙盒执行环境
与其设计一个"写日志"工具 → 不如提供文件读写工具 + 虚拟文件系统
与其封装一个"搜索并总结"工具 → 不如分别提供搜索工具和文本处理工具

通用工具让 Agent 能通过组合基础能力来创造性地解决问题——这比预封装的专用工具灵活得多。专用工具假设了 Agent 会怎么用，通用工具让 Agent 自己决定怎么用。

ReAct 循环：Agent 的心跳

ReAct 是 Agent 运行的底层节拍器，它的核心模式非常简单：

思考 → 行动 → 观察 → 再思考 → 再行动 → 再观察 → ...

每一步的职责：

阶段	做什么	例子
思考	分析当前状态、回顾已收集的信息、规划下一步	"用户想知道北京天气，我需要调用天气工具"
行动	执行具体操作——调用工具、生成回复、请求确认	调用 `get_weather(city="北京")`
观察	接收工具返回结果、评估效果、更新内部状态	收到 `{temp:28, sky:"晴"}`，判断信息是否足够

每次循环都会把思考、行动和观察的结果追加到上下文中，这样 Agent 的后续决策可以基于完整的历史记录——这就是 Agent 能处理复杂多步任务的根本原因。

编排设计模式：从 Workflow 到 Agent 的光谱

并不是所有任务都适合"完全自主的 Agent"。在实际工程中，编排方式是一个连续光谱：

编排方式	特点	适用场景
确定性 Workflow	步骤固定、可预测、无决策分支	数据 ETL、固定格式报告生成
有条件分支的 Workflow	预设分支路径，Agent 选择走哪条	客服分流、审批流程
混合模式	关键节点 Agent 自主决策，骨架保持可控	代码审查流程、文档生成
自主 Agent	全程自主规划、执行、调整	开放域调研、复杂编程任务

一个重要原则：能用确定性 workflow 解决的问题，不要上 Agent。Agent 的自主性带来灵活性，也带来不可预测性和更高的成本。从 workflow 到 Agent 的选择，本质是在可控性与灵活性之间做权衡。

三个学习范式

Agent 的能力不是凭空而来的，有三种不同的学习路径：

范式	机制	类比	时间尺度
后训练（Post-training）	通过 SFT/RL 固化决策策略到模型权重中	通过反复练习形成肌肉记忆	模型发布前
上下文学习（In-Context Learning）	在上下文中提供示例、规则、工具描述	临时查阅说明书和范例	每次会话
外部化学习（Externalized Learning）	通过外部记忆、知识库、工具箱积累经验	建立自己的笔记本和工具箱	跨会话长期积累

三种范式互补，不是互相替代的关系。后训练决定了 Agent 的"底色"，上下文学习提供本次任务的"临场指导"，外部化学习让 Agent 能"越用越强"。

总结：带走这个思考框架

读完这一章，你不需要记住所有细节，但应该带走一个分析 Agent 的框架：

遇到任何新 Agent 产品 → 问三个问题：它的大脑是什么（LLM/策略）？它的眼睛能看到什么（上下文/观察空间）？它的手脚能做什么（工具/动作空间）？
判断 Agent 的能力边界 → 看工具的设计质量和安全约束，而不是看 LLM 本身有多强
评估 Agent 的适用性 → 该任务适合确定性 workflow 还是自主 Agent？灵活性和可控性哪个更重要？