AI Agent / 系统课时
什么是 AI Agent
什么是 AI Agent
AI Agent 不是“更会聊天的模型”,而是一套围绕目标持续感知、决策并执行动作的应用机制。本篇会建立 Agent 的最小心智模型,说明模型、工具、状态与环境各自负责什么,以及什么任务值得交给 Agent。
学习目标
- 说清 AI Agent 与普通一次性模型调用的区别
- 识别 Agent 的目标、模型、工具、状态与环境五类核心要素
- 判断一个业务任务是否适合采用 Agent 方式实现
Agent 的本质是闭环执行
普通模型调用通常是“一次输入,一次输出”:应用把提示词交给模型,得到文本后流程结束。Agent 则围绕一个目标反复运行:读取当前状态和环境信息,决定下一步动作,调用工具,再把结果作为新观察继续判断,直到完成任务或触发停止条件。
大语言模型负责提出行动建议和解释结果。宿主代码持有工具、检查权限、维护状态,并决定何时停止。工具输出属于下一步要核对的观察,不能自行赋予新权限。

核心组成如何分工
| 要素 | 主要职责 | 典型内容 |
|---|---|---|
| 目标 | 定义最终要达成什么 | “整理本周故障并生成报告” |
| 模型 | 理解上下文并选择下一步 | 判断是否检索、计算或继续追问 |
| 工具 | 对外执行动作 | 搜索、数据库查询、API、代码执行 |
| 状态 | 保存本轮运行所需信息 | 对话历史、任务进度、工具结果 |
| 环境 | 提供可观察和可操作对象 | 文件、网页、业务系统、终端 |
其中最容易混淆的是“模型”和“Agent”。模型负责生成或判断;Agent 应用负责决定何时调用模型、允许调用哪些工具、哪些结果进入下一轮,以及何时停止。
一次 Agent 任务怎样推进
假设目标是“找出订单失败原因并给出处理建议”,一个最小 Agent 循环通常会按下面顺序运行:
- 读取目标、已知上下文和当前状态。
- 判断缺少哪些证据,例如订单记录或服务日志。
- 调用受控工具获取数据。
- 把工具结果加入当前状态,再让模型判断下一步。
- 满足完成条件后输出结论;超过轮次、预算或权限范围则停止。
这里的关键不是“让模型自由发挥”,而是把每一步允许发生的动作做成可观察、可限制、可终止的流程。生产级 Agent 通常还需要超时、重试、权限、审计和人工审批等控制。
用离线代码观察任务如何结束
下面用固定规则替代模型,只保留最小控制循环。订单状态和错误日志都是本地测试数据。
def decide(state):
if "order" not in state:
return "read_order"
if state["order"]["status"] == "failed" and "log" not in state:
return "read_log"
return "finish"
def run(order_id, tools, choose=decide, max_steps=3):
state = {}
actions = []
allowed = {"read_order": "order", "read_log": "log"}
for _ in range(max_steps):
action = choose(dict(state))
if action == "finish":
if "order" not in state:
return "incomplete", actions
if state["order"]["status"] == "failed" and "log" not in state:
return "incomplete", actions
return "complete", actions
if action not in allowed or action not in tools:
return "tool_denied", actions
state[allowed[action]] = tools[action](order_id)
actions.append(action)
return "step_limit", actions
tools = {
"read_order": lambda order_id: {"id": order_id, "status": "failed"},
"read_log": lambda order_id: {"id": order_id, "error": "PAYMENT_TIMEOUT"},
}
print(run("T-42", tools))
print(run("T-42", tools, max_steps=1))
print(run("T-42", tools, choose=lambda state: "refund"))
print(run("T-42", tools, choose=lambda state: "finish"))第一行得到 ('complete', ['read_order', 'read_log'])。随后分别触发步数上限、工具拒绝和证据不足。把订单状态改为成功,下一步便无需查错误日志。真实接入模型时,同一个循环还要处理工具超时、返回格式异常和权限校验。即使模型宣称完成,宿主也要按任务条件检查证据。
什么时候适合使用 Agent
Agent 适合目标明确但路径不完全固定、需要多步判断并调用外部能力的任务,例如故障信息收集、资料调研、工单处理、数据分析和跨系统操作。若任务只是一次分类、固定模板生成或简单字段转换,直接调用模型或普通程序通常更简单、成本更低,也更容易测试。
如果条件和分支都能事先写清,程序通常可以直接完成调度。只有输入或证据变化大、很难预先穷举路径,且确实需要模型在受控工具中选择下一步时,才值得引入 Agent。