AI Agent 到底是什么？

过去两年，我们和 AI 的交互方式基本是「你问我答」：把问题写清楚，模型给一段文字。它能帮你写邮件、改代码、解释概念，但主动权始终在你手上——你不动，它不动。

从去年开始，一个新词被反复提起：Agent。

Chatbot 和 Agent 的区别

如果只用一句话概括，我会说：

Chatbot 的目标是「回答得对」，Agent 的目标是「把事情做完」。

这里的差别不只是模型变聪明了，而是整个系统的形态变了。一个能称之为 Agent 的系统，通常至少具备三件事：

目标：给它一个任务，而不是一个问题。
工具：它能调用搜索、代码执行、文件读写、API 等外部能力。
循环：它能观察结果、判断是否达成目标，然后决定下一步。

第三点最容易被人忽略，但它其实是核心。没有循环，就只是「模型 + 插件」；有了循环，系统才开始有自主性。

一个最小可用的循环

抛开框架，Agent 的骨架其实非常朴素：

def run_agent(task: str, tools: list, max_steps: int = 10):
    """最小 Agent 循环：观察 → 决策 → 执行 → 再观察"""
    history = [{"role": "user", "content": task}]

    for step in range(max_steps):
        # 1. 让模型决定下一步做什么（可能直接给答案，也可能调用工具）
        action = llm(history, tools=tools)

        if action.type == "final":
            return action.content

        # 2. 执行工具，把结果写回上下文
        result = call_tool(action.name, action.arguments)
        history.append({"role": "assistant", "content": action})
        history.append({"role": "tool", "content": result})

    raise RuntimeError("达到最大步数仍未完成，需要人工介入")

真正的工程复杂度，全在这个循环的边界条件里：怎么限制步数、工具报错怎么办、上下文的记忆谁来管、什么时候判定「做完了」。

实践中的三个提醒

一、任务的可验证性决定了上限

Agent 最适合的场景，是结果可以被自动检查的任务。写代码能跑测试，字段抽取能比对答案，数据清洗能校验行数。反过来，让 Agent 做「帮我想个品牌名」这类主观判断，它只能给你一堆漂亮的废话——因为它无法判断自己做得对不对。

二、把不确定的部分关在笼子里

我倾向于这样设计：模型只负责决策，所有副作用（写数据库、发邮件、改文件）都走一层显式的工具接口，并且加白名单和确认环节。这样即使模型判断错了，损失也是可控的。

三、上下文不是越大越好

把所有历史、所有文档都塞进上下文，效果往往更差：无关信息会稀释注意力，成本还高。真正有效的是按需检索：先让模型知道自己有哪些工具和资料可以使用，需要时再取。

我会怎么用它

对我自己来说，Agent 的价值不在「自动帮我写完一篇文章」，而在于承担那些重复、可校验、有明确完成标准的杂活：整理笔记、生成摘要、把一堆杂乱文件归到该去的地方。

至于判断和表达，我还是想自己来。

相关阅读：[[我为什么开始建立自己的 AI 知识库]] 里记录了我是怎么把这套东西落到日常的。