第1章：Agent 到底是什么

本章解决的核心问题：AI Agent 和 ChatGPT 这种「聊天机器人」到底有什么本质区别？为什么 2024-2025 年所有人都在谈 Agent？读完这一章，你能在同事面前解释清楚「Agent 不是聊天软件——它是能替你干活的 AI」。

1.1 一个场景开始

🎨 漫画图解：〈同一个大脑，多了一双手〉

先想象两个场景。

场景 A：你打开 ChatGPT，输入「帮我写一份关于新能源汽车市场的报告」。几十秒后，ChatGPT 吐出一份结构完整、数据看起来像回事的报告。你读了一遍，发现有些数据是编的，于是又追问了几轮，最终得到了一份能用的初稿。

场景 B：你对一个 AI Agent 说同样的话。它没有立刻吐报告。它先搜索了最近三个月的新能源汽车新闻和行业报告，对比了多家数据源。它发现中汽协的官网有一份最新统计，于是自己打开了那个网页，提取了数据。然后它生成了一个 PPT，把图表嵌了进去，发到了你的邮箱。整个过程你只说了那一句话。

场景 A 和场景 B 的区别，就是大语言模型（LLM）和 AI Agent 之间的那条红线。

一句话总结：LLM 是一个知识渊博但困在聊天框里的人。Agent 是给他配了手机、电脑、银行卡、车钥匙之后的版本——不仅能聊，还能办事。

1.2 Agent 的经典定义：Sense → Think → Act

🎨 漫画图解：〈Agent 的行动循环〉

「Agent」这个词在 AI 领域其实很老了，不是新概念。早在 1990 年代，AI 研究者就已经在讨论「智能体」——能在环境中自主感知和行动的系统。

现代 AI Agent 的核心循环可以用三个词概括：

flowchart LR
    S[👁️ 感知
Sense] --> T[🧠 思考
Think]
    T --> A[🦾 行动
Act]
    A --> O[👁️ 观察
Observe]
    O --> T

这个循环翻译成人话：

1. 感知（Sense）：Agent 从环境中获取信息。环境可以是用户的输入、网页内容、API 返回的数据、文件内容——任何能被 Agent「看到」的东西。
2. 思考（Think）：Agent 分析当前状态，推理下一步该做什么。这个「思考」能力来自它的大脑——一个大语言模型。模型评估当前情况，决定一个行动计划。
3. 行动（Act）：Agent 执行决定——可能是在终端里跑一条命令、调用一个 API、打开一个网页、生成一段文本。
4. 观察（Observe）：Agent 检查行动的结果。成功了？失败了？结果是不是自己预期的？然后回到第 2 步，根据观察结果调整下一步。

这就是 Agent 和 LLM 最本质的区别：LLM 停在「思考」这一步。Agent 多了一个「行动-观察-再思考」的循环。 这多出来的一步，是质的飞跃。

1.3 一个生活化类比

为了帮你把这个概念焊死在脑子里，我讲一个故事。

想象一个叫小狗的年轻人。

小狗（LLM 版本）：小狗从小被困在一个房间里，靠读书过活。他读完了世界上所有的书——百科全书、维基百科、学术论文、小说、技术文档——什么都读过。你问他任何问题，他都能引经据典地回答，有逻辑、有深度。

但他的房间没有窗户、没有门。你看不见他，他也看不见外面。他给不了你今天的气温，因为他不知道今天是几月几号。他帮你订不了机票，因为他的房间里没有电脑也没有手机。

小狗（Agent 版本）：有一天，你给了小狗一部手机。

现在，当你问他「今天天气怎么样」，他不再依靠书本上「北京7月平均气温26度」这样的过时知识——他会打开手机上的天气应用，查一下实时数据，然后告诉你。

当你对他说「帮我和家人预订一家周六晚上的法餐厅」，他会：先查看你的日程（确认周六晚上有空），然后搜附近的法餐厅，逐家查看评分和是否有空位，挑出三个最佳选项发给你。等你选了之后，他自己打电话订座，然后把确认短信转发给你。

同一个「大脑」，多了一双「手」，它就从「图书馆管理员」变成了「私人助理」。

这个类比不是鸡汤，它是 AGI 研究者们真心相信的路线图：现有的 LLM 已经有足够的「智力」，缺的是和环境交互的「身体」。Agent 框架解决的就是这个问题。

1.4 Agent 的四个核心能力

🎨 漫画图解：〈Agent 的四件装备〉

把 Sense-Think-Act 循环再拆细一点，一个合格的 Agent 需要四项核心能力：

mindmap
  root((Agent 核心能力))
    感知 Perception
      读取用户输入
      获取工具返回结果
      监控环境状态
    规划 Planning
      目标分解
      步骤排序
      资源评估
      备选方案
    执行 Execution
      调用工具/API
      写文件/发请求
      操作外部系统
    记忆 Memory
      短期：上下文窗口
      长期：向量数据库
      经验：成功/失败记录

感知（Perception）

Agent 的「感官」。输入可以是自然语言（用户说的）、结构化数据（API 返回的 JSON）、非结构化数据（网页内容、PDF 文档）、甚至是多模态输入（图片、音频）。

一个优秀的 Agent 不是被动地接收输入——它会主动去「感知」，比如自己去搜、自己去查、自己去验证。

规划（Planning）

这是 Agent 智力的核心体现。一个模糊的用户指令——「帮我做市场调研」——在 Agent 脑子里要变成一连串可执行的子任务：

1. 确定调研的行业和范围
2. 搜索近一年的行业报告
3. 提取关键数据和趋势
4. 对比主要竞品
5. 生成结构化报告

在第2章我们会详细拆解 Agent 的规划机制——ReAct、思维链、思维树这些听着很酷的词到底是什么意思。

执行（Execution）

Agent 的手。工具调用是 Agent 和外部世界交互的唯一方式——不管是搜网页、调用 API、操作文件还是发邮件，底层都是「Agent 输出一个工具调用的请求，外部程序执行并返回结果」。第4章会完整拆解这个过程。

记忆（Memory）

人类做事靠记忆：你知道自己是谁、昨天干了什么、刚才查到了什么信息。Agent 也一样——如果没有记忆，它每说一句话都是「从零开始」，像一个永远在失忆的人。

Agent 的记忆分三层（第2章详讲）：

• 短期记忆：当前对话的上下文，类似你的「工作记忆」。
• 长期记忆：跨会话持久化存储的信息，类似你的「长期记忆」。
• 经验记忆：过去任务中的成功&失败经验，类似你的「肌肉记忆」。

1.5 为什么 Agent 是现在才火的

🎨 漫画图解：〈Agent 为什么现在才醒来〉

这个问题值得认真回答——因为 Agent 这个概念并不新（1990 年代就有），但直到 2023-2024 年才真正爆发。原因很简单：以前没有足够聪明的大脑。

timeline
    title Agent 发展简史
    1990s : 早期智能体研究 : 规则驱动，能力极弱
    2016 : AlphaGo : 单一领域的超强 Agent
    2022 : ChatGPT 发布 : LLM 证明了「通用智能」的可能
    2023 : AutoGPT / BabyAGI : 第一个真正意义上的 LLM Agent
    2024 : Claude Code / Devin / Cursor : Agent 进入生产环境
    2025 : MCP 协议标准化 : Agent 工具调用的「USB 接口」

2023 年之前：有 Agent 的构想，没有 Agent 的大脑

1990 年代的智能体研究主要靠手写规则——告诉 Agent「在 X 情况下做 Y」。问题是世界太复杂，手写规则覆盖不了万分之一。这些 Agent 只能在极其狭窄的领域（比如下棋、简单的物流调度）里用。

2016 年的 AlphaGo 是一个里程碑——它在围棋这个单一领域里展现出了「超越人类」的 Agent 能力。但 AlphaGo 出不了围棋棋盘。

2023 年：LLM 让 Agent 有了「通用大脑」

ChatGPT 的出现改变了游戏规则。人们突然发现：这个「只会聊天」的东西似乎有相当强的推理能力——它能理解模糊指令、能拆解任务、甚至能承认自己不知道某件事。

于是有人想：如果把 LLM 当成 Agent 的「大脑」，让它来决策「下一步该做什么」——行不行？

2023 年 4 月，AutoGPT 和 BabyAGI 横空出世。这两个项目做的事情本质上一样：把 LLM 放进一个循环里——「目标是什么 → 思考下一步 → 执行 → 观察结果 → 再思考」。虽然当时的版本可靠性很差（经常在循环里鬼打墙），但证明了这条路走得通。

2024-2025 年：Agent 走向工程化

接下来发生的事情很快：

• Claude 的 Tool Use 和 Computer Use：Anthropic 把工具调用和屏幕操作能力直接训练进了模型，Agent 不再是「提示词技巧」，而是模型的原生能力。
• OpenAI 的 GPTs 和 Assistants API：把 Agent 封装成了产品，非开发者也能用。
• Function Calling 成为标配：几乎每一家大模型都支持了标准化的函数调用。
• MCP（Model Context Protocol）：Anthropic 在 2024 年底开源了 MCP——一个 Agent 与外部工具/数据源通信的标准协议。它相当于 Agent 世界的「USB-C 接口」：任何工具只要实现了 MCP，任何 Agent 就能直接调用。
• Devin、Cursor、Claude Code：Agent 产品开始真正干活——写代码、修 bug、部署服务——不只是 demo 了。

1.6 你已经每天都在用 Agent 了

你可能觉得 Agent 是个未来概念——其实你已经在用了。举几个例子：

1.7 Agent 的能力边界：现在到哪了

说完了乐观的，也要诚实地说说现在的局限。

flowchart TB
    subgraph 当前能做到
        A1[简单多步任务：搜索→汇总→格式化]
        A2[代码生成与修改]
        A3[文档写作与润色]
        A4[数据提取与结构化]
    end
    subgraph 有时能做到
        B1[复杂多步任务：调研→分析→报告→PPT]
        B2[端到端项目开发]
        B3[自主决策与纠错]
    end
    subgraph 还做不到或很不稳定
        C1[超过50步的长链任务]
        C2[需要「常识判断」的决策]
        C3[零监督下的高风险操作]
        C4[真正创造新知识]
    end

一个诚实的数据：目前最好的 Agent 在超过 10 步的任务中，成功率会骤降到 50% 以下。 每一步 90% 的正确率，乘 10 次就是 ${0.9}^{10}=35\mathrm{\%}$。这是 Agent 面临的核心工程挑战——我们在第6章和第7章会反复回到这个话题。

本章小结

下一章预告

现在你知道了 Agent 是什么，也知道了它和普通 LLM 的根本区别。下一章我们拆开 Agent 的外壳，看看里面到底长什么样——它的「大脑」「手脚」「记忆」是怎么协同工作的。ReAct 是什么？Agent 怎么把一个模糊的「帮我做市场调研」拆成可执行的任务链？

→ 第2章：大脑、手脚与记忆