首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >AI Agent 智能体:从"会聊天"到"会做事"的跨越

AI Agent 智能体:从"会聊天"到"会做事"的跨越

原创
作者头像
搜weiranit.fun
发布于 2026-11-11 18:51:42
发布于 2026-11-11 18:51:42
1310
举报

一、从一个问题说起

如果你问 ChatGPT"帮我查一下明天北京天气,然后建议我穿什么",它大概率会告诉你"我无法获取实时天气数据"。但如果你把同样的问题交给一个 AI Agent,它会自己调用天气 API,拿到明天北京 8℃、有风的预报,再结合"体感偏冷"的常识,给出"建议穿厚外套加围巾"的答案。

这中间的差别,就是 Agent(智能体) 与普通聊天机器人的本质区别:前者只会"说",后者能"做"。

二、Agent 到底是什么

用一句话定义:AI Agent 是以大语言模型为"大脑",能够自主感知环境、制定计划、调用工具、执行动作并根据反馈调整策略的系统。

它和传统程序的关键差异在于"自主性"。传统程序是"人写好每一步,机器照做";Agent 是"人给出目标,机器自己想办法达成"。这个"想办法"的过程,通常包含四个核心模块:

模块

作用

类比

感知(Perception)

接收用户指令、环境信息

眼睛和耳朵

规划(Planning)

拆解任务、决定下一步

大脑前额叶

记忆(Memory)

保存对话历史、中间结果

笔记本

工具(Tools)

调用搜索、代码、API 等外部能力

双手

其中"规划"是灵魂。目前业界最主流的范式叫 ReAct(Reasoning + Acting),即"边想边做":模型先思考"我现在该干什么",执行一个动作,观察结果,再思考下一步,如此循环,直到任务完成。

三、一个最小可运行的 Agent

理论说再多不如看代码。下面是一个约 50 行的极简 Agent 骨架,用伪代码风格展示 ReAct 循环的本质(实际项目中可替换为 OpenAI、通义千问等任意模型接口):

代码语言:javascript
复制
import json

def run_agent(goal, tools, llm, max_steps=8):
    """tools: {name: callable},llm: 接收 prompt 返回文本的函数"""
    history = [f"目标:{goal}"]

    for step in range(max_steps):
        # 1. 让模型思考:下一步做什么?
        prompt = build_prompt(history, tools.keys())
        thought = llm(prompt)          # 模型输出形如 {"action": "search", "args": {...}}

        # 2. 解析模型的决策
        try:
            decision = json.loads(thought)
        except json.JSONDecodeError:
            history.append("模型输出格式错误,请重试")
            continue

        # 3. 任务结束判断
        if decision["action"] == "finish":
            return decision["args"]["answer"]

        # 4. 执行工具,观察结果
        tool_name = decision["action"]
        if tool_name not in tools:
            observation = f"工具 {tool_name} 不存在"
        else:
            observation = tools[tool_name](**decision["args"])

        # 5. 把"动作 + 观察"写回记忆,进入下一轮
        history.append(f"动作:{tool_name}({decision['args']})")
        history.append(f"观察:{observation}")

    return "达到最大步数,任务未完成"


def build_prompt(history, tool_names):
    return f"""你是一个 Agent。可用工具:{list(tool_names)}。
请以 JSON 回复,格式:{{"action": "工具名或finish", "args": {{...}}}}
历史记录:
{chr(10).join(history)}
"""

配套的工具可以这么写:

代码语言:javascript
复制
def search_weather(city):
    return f"{city}明天 8℃,北风 3 级"   # 真实场景替换为 API 调用

tools = {"search_weather": search_weather}
print(run_agent("明天北京穿什么?", tools, my_llm))

别小看这几十行——它已经包含了 Agent 的全部骨架:目标 → 思考 → 行动 → 观察 → 再思考。Claude Code、AutoGPT 这些复杂系统,本质上都是在这个循环上不断加固:更强的规划、更长的记忆、更多的工具、更严的安全护栏。

四、Agent 能用在哪些地方

1. 编码助手:这是目前落地最成熟的场景。Agent 能读代码库、改文件、跑测试、根据报错自我修复,代表产品有 Claude Code、Cursor 的 Agent 模式。

2. 数据分析:给它一个 Excel 和一句"分析销售趋势",它会自己写 pandas 代码、执行、画图、写结论。

3. 客服与流程自动化:查订单、改地址、发起退款——这些需要调多个内部系统的活儿,正是 Agent 的主场。

4. 深度研究:同时发起几十次搜索,交叉验证信息,最后产出一份带引用的报告。

五、必须正视的挑战

Agent 很诱人,但今天的它并不完美,几个坑绕不开:

  • 幻觉会放大:聊天机器人说错话只是"说错",Agent 说错话可能"做错"——比如误删文件、下错订单。
  • 错误会累积:ReAct 循环里一步走偏,后面可能越走越远,这叫"错误级联"。
  • 成本与延迟:多轮思考和工具调用意味着 token 消耗和等待时间成倍增长。
  • 安全边界:能调用工具的 Agent,必须配上权限控制、人工确认、沙箱隔离,否则就是给模型递了一把真刀。

因此业界的共识是:Agent 的设计要"宁笨勿险"——高风险动作必须由人确认,工具权限最小化,关键步骤留日志。

六、结语

AI Agent 的意义不在于它比聊天机器人"更聪明",而在于它把大模型从"信息的生产者"变成了"行动的发起者"。这带来想象力的同时,也带来了责任:当一个系统能自主做事时,我们如何确保它做对的事?

技术上,答案在循环的每一次迭代里;工程上,答案在每一道护栏里;而产品上,答案在于——让 Agent 做它擅长的执行,把最终判断权留给人。 这或许才是智能体最务实的落地姿势。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 一、从一个问题说起
  • 二、Agent 到底是什么
  • 三、一个最小可运行的 Agent
  • 四、Agent 能用在哪些地方
  • 五、必须正视的挑战
  • 六、结语
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档