7.4 智能体（Agent）

如果说 RAG 是“查资料”、Function Calling 是“动手操作”，MCP 是“统一接入标准”，那么智能体（Agent）就是试图构建出一个具备“自主思考、主动规划、自动执行”能力的 AI 助手，它不再只是被动应答的“工具箱”，而是能根据目标，自己拆解任务、调用工具、甚至自我纠错的“数字员工”。

很多人第一次听到 Agent 这个词，脑海里可能会浮现出电影《黑客帝国》里的“特工”，实际上，AI 领域的 Agent 指的是具备自主决策与连续执行能力的 AI 系统。

7.4.1 什么是 Agent？

传统大模型只能“一问一答”，即便配合 RAG、Function Calling、大模型插件系统，仍然是“你问我答”、“你下指令我动手”。而 Agent 的出现，让 AI 从“被动回应”迈向“主动执行”，它是 AI 系统的下一代演进形态。

我们可以把 Agent 简单理解为：

• 具备清晰任务目标
• 能自主拆解任务
• 会动态规划执行路径
• 可以循环调用外部工具
• 支持状态追踪与自我反思

换句话说，Agent 不是只回答一个问题，而是围绕整体任务目标，自己判断需要干什么、该怎么干、干到什么程度算完成。

比如，当你告诉大模型：

“帮我总结这篇文章的核心观点。”

大模型会生成一段总结，事情就结束了。

但如果你告诉一个 Agent：

“帮我基于这个PDF文档，找出作者的主要论点、列出反驳观点、补充背景信息，整理成一份可分享的知识卡片。”

Agent 就会自己：

• 读取 PDF 文档
• 识别出作者观点
• 判断哪里存在争议或漏洞
• 补充缺失背景资料
• 按照预设模板，输出标准化的知识卡片

整个过程中，Agent 会多轮次与大模型、外部工具交互，必要时还会调整思路，确保任务最终完整落地。

7.4.2 Agent 的核心组成

要实现这样的“自主智能体”，Agent系统通常具备以下核心模块：

• 任务目标：明确 Agent 需要达成的最终任务目标，例如“撰写市场调研报告”
• 状态内存：存储历史对话、已知信息、执行记录，支持上下文追踪
• 计划规划：根据目标动态拆解任务、生成执行步骤与优先级
• 工具调用：管理工具清单，负责根据需要自动调用外部 API、函数、插件等资源
• 自我反思：在遇到失败、错误、死循环时，主动调整策略、优化执行路径
• 反馈机制：实时评估输出结果，决定是否继续、重试、切换方案

从系统架构上看，Agent 更像是一个具备微型操作系统功能的 AI 管理器，它可以调度大模型、RAG、Function Calling、插件系统、MCP 工具链，像“指挥官”一样统筹各种资源协同工作。

7.4.3 Agent 工作流程

每个 Agent 的设计都不尽相同，但他们的核心运行机制始终围绕着 “思考-行动-观察”循环（Think-Act-Observe Loop） 机制，实际应用中，不同的 Agent 实现会根据具体场景对这一流程进行优化和扩展。

当我们想让 Agent 分析一个 Python 项目的代码质量时，Agent 就会将思考-行动-观察交替执行：

思考(Think): 我需要分析这个Python项目的代码质量
行动(Act): 运行pylint检查代码
观察(Observe): 发现了15个警告和3个错误
思考(Think): 错误主要集中在导入和变量命名上，我需要生成具体的修复建议
行动(Act): 分析具体错误并生成修复代码
观察(Observe): 已生成修复建议
思考(Think): 现在我需要检查是否还有其他质量问题

这种模式让智能体能够根据每一步的结果动态调整后续策略，而不是盲目执行预定计划。

我们以“帮我写一篇关于 AI 发展的行业白皮书”为例，简单看下在 Agent 中可能的工作流程：

• 解析目标：理解任务是“撰写白皮书”，需要哪些内容结构
• 制定计划：拆解成多个子任务：资料检索 → 行业趋势总结 → 案例分析 → 格式排版
• 资源调用：
  • 通过 RAG 检索知识库中的专业AI信息
  • 通过网络搜索 MCP Server 获取市场数据
  • 生成初稿
• 输出评估：
  • 自检内容逻辑是否连贯
  • 若发现缺漏，回到资料检索补充
• 反复优化：
  • 多次循环检索、生成、评估
  • 直到达到设定的“满意标准”
• 最终交付：生成一份完整、结构清晰、数据准确的白皮书文档

在这个过程中，用户不需要逐步下指令，Agent 自主安排步骤，甚至能在中途发现信息不足、思路偏差，自己调整执行路线。当然这只是一个符合定义的、常规的 Agent 工作流程。

7.4.4 Agent 是一个概念

正如本节标题，Agent 只是一个概念，简单来说，任何可以实现 “思考-行动-观察” 循环的系统都可以被称为 Agent，无论它使用什么技术。

Agent 这个概念并不是大模型时代的新词，早在上世纪 90 年代，人工智能、自动化系统、软件代理等领域就出现了 “Agent” 概念，比如简单的自动决策程序、网络环境下的信息检索系统等等。这些传统 Agent 本质上是规则驱动、功能单一、缺少"智能规划"的系统，远未达到今天大模型 Agent 的效果。

真正推动现代 Agent 概念走入大众视野、技术圈讨论的是大模型的崛起。大模型的强大理解能力和生成能力，为 Agent 提供了前所未有的“大脑”，使其能够处理复杂任务和开放场景。而我们通常理解的 Agent，其实是 AI Agent，即基于大语言模型的 Agent。

在大模型刚开始崭露头角时，人们就在想尽办法让大模型不止步于生成式问答。比如 AutoGPT，使用 AutoGPT 用户可以用自然语言设置“目标”，然后AutoGPT会根据这个目标自动拆分成子任务、调用 GPT 接口，并结合互联网搜索、文件读写等工具，连续执行任务，直至目标达成。比如我们可以用它定期爬取数据、生成报告并保存结果，无需人为逐步提示。它也是最早一批实验性质的“自主Agent”系统，尽管有很多缺陷。

在 AutoGPT 出现时，甚至还没有 Function Calling、MCP 等技术，想要实现一个 Agent，往往需要更复杂的方式去编排整个流程，Function Calling 出现后，大模型直接拥有了外部调用能力，这让 Agent 的开发变得便捷了很多，因为开发者无需额外处理工具的调用逻辑。而 MCP 的出现，更是让 Agent 的开发成本大大降低，因为开发者甚至无需自行开发工具，使用现有的 MCP Server 组合就可以为 Agent 扩展更多的能力。

随着技术的进步，现代 Agent 系统已经能够实现多轮推理、自我校正和复杂任务拆解，甚至可以构建多 Agent 协作网络，让不同专长的 Agent 协同工作，实现更复杂的任务目标。这些进展也使得 Agent 从简单的自动化工具，逐渐发展成了具有一定自主性和适应性的智能协作伙伴。

7.4.5 Agent VS Workflow

工作流（Workflow）的概念大家应该不会陌生，但我们这里所说的工作流，通常指的是 AI Workflow。相信很多人在接触了 Agent 后，会把 AI Agent 和 AI Workflow 搞混。

尽管 AI Agent 和 AI Workflow 都旨在基于大模型自动化完成任务，但它们在实现方式和灵活性上存在本质区别。Workflow 是预定义的、固定的流程，像是一条生产线，按照既定规则顺序执行。而 Agent 则是动态的、自适应的系统，能够根据环境变化调整策略，类似于一个有思考能力的助手。它们的核心区别在于是否会“自主”决策，当大模型可以动态决定自己的流程以及使用什么工具，自主的控制如何去完成任务时，它就是一个 Agent。

Workflow 的优势在于可预测性和稳定性，适合处理结构化、固定模式的任务。Agent 则擅长应对开放性问题和不确定环境，可以自主规划路径达成目标。在实际应用中，两者也并非对立关系，而是互补的存在。现代智能系统往往结合了 Workflow 的可靠性和 Agent 的灵活性，形成更强大的混合解决方案。