Concept / 概念速览

AI Agent 不是更聪明的聊天机器人
而是能自己把事情做完的系统

一个大模型本身只会做一件事:根据你给的文本,算出接下来最可能出现的文本。 Agent 在它外面加了一个循环、一双手和一本记事本, 于是它开始能读文件、跑命令、查网页、调 API —— 并且在自己判断"还没做完"时继续做下去。

01

三个零件,缺一不可

大脑、手脚、意志 —— 拆开看,Agent 并不神秘
🧠

模型 = 大脑

负责理解意图、拆解任务、决定下一步做什么。它的能力上限,基本决定了一个 Agent 的智力上限。

🛠️

工具 = 手脚

搜索、读写文件、执行代码、发请求。没有工具的 Agent 只能空谈;有了工具,它才碰得到真实世界。

🔁

循环 = 意志

"做一步 → 看结果 → 判断够不够 → 不够就再来一次"。这个 while 循环,是 Agent 和一次性回答的分水岭。

02

核心循环:一次任务的真实轮廓

一个任务往往要转上几十圈,而不是一问一答
目标
接收一个模糊的人类诉求 "帮我把这份报告的数据核对一下"
感知
读取上下文:文件在哪、格式是什么、有哪些约束 列目录、读表头、看清楚再动手
规划
把大目标切成能验证的小步骤 "先解析 → 再比对 → 最后汇总差异"
行动
调用一个工具,只做一件事 执行脚本、发起请求、写入文件
观察
读回工具的真实输出,不猜结果 报错也是信息,比自认为成功有价值得多
判断
目标达成了吗?没达成就修正计划回到「行动」 这一步的自评质量,决定它会不会原地打转
记忆
把有用的结论写下来,供后面几十步复用 上下文窗口是短期记忆,文件系统是长期记忆
↺
03

它和「问一句答一句」差在哪

区别不在聪明程度,在于能不能自主推进
维度普通对话模型AI Agent
交互次数一问一答,人推动多轮自驱动,直到交付
能否操作环境不能,只输出文本能执行、能读写、能发请求
面对失败重说一遍,重新生成读错误、改方案、重试
任务粒度单点:写段话、答个问端到端:从需求到成品
人的角色每一步都要盯着定目标、看结果、把边界
主要风险说了不准确的话做了不该做的操作
04

一次真实的任务轨迹

看起来像人的工作流程,只是快很多
这个项目里有没有安全问题?给我一份能直接改的清单。
  • 扫描目录,识别技术栈 —— 发现是 Node + Postgres,没有 lockfile
  • 调用 grep 搜敏感模式,命中 3 处硬编码密钥
  • 读 package.json,拿依赖列表,查已知漏洞库
  • 发现某个包版本过低 → 去查 changelog → 确认修复版本
  • 生成补丁,跑测试,测试挂了 —— 不假装成功
  • 读报错,判断是类型不兼容,调整后重跑 → 通过
  • 输出清单:每条带文件行号、风险等级、具体改法
05

边界:它没有你以为的那么可靠

知道它会在哪里摔跤,才敢把活交给它

▸ 会自信地编造

模型没有"我不知道"的直觉。所以好的 Agent 必须被要求去验证:看真实输出,而不是复述记忆。

▸ 权限放得越宽,代价越大

能删文件就能删错文件。生产环境的关键操作,永远该留一道人工确认。

▸ 长任务会漂移

转了几十圈以后,它可能忘了最初的目标。所以要外部化:写待办清单、落文档,别指望窗口里全记住。

▸ 成本是乘法

一个任务几十次模型调用,token 和延迟都是单次问答的几十倍。简单问题不该套 Agent。

所以判断一个 Agent 好不好,别看它的演示视频——看它在出错之后做什么。

会读报错、会改方案、会说"这一步我没做成"的,才叫工程;只会重新生成一遍漂亮话的,还是聊天框。