一个具体的下午

上个月帮朋友做竞品调研，任务是整理五个企业协作工具的定价、功能和适用团队，最后出一份两页纸的对比。

一开始我用 ChatGPT，流程是这样的：先问它这五个产品的基本情况，它给一段概述；我发现某家的价格体系讲得含糊，于是补一句"再查一下 XX 的价格"；拿到价格后让它做成表格；表格出来发现维度不对，又补一句改维度；改完再让它按表格写正文。

来回七八轮，花了大概四十分钟。结果还行，但过程中我一直在做同一件事：把上一步的结果复制到下一步的输入框里，然后重新交代一遍背景。

那天晚上我换了个方式，把整句话丢给一个 AI Agent（NoteGPT 那个），让它自己去跑。这次我等了十几分钟，中间去泡了杯茶。

这个对比让我想清楚一件事：ChatGPT 和 AI Agent 的差别主要落在分工上，谁负责拆步骤。

两种工具的工作方式

ChatGPT 是对话式的。你问一句，它答一句。每一轮都很短，也很可控。

这种模式的好处是精确。你想改一句话的措辞，它马上改；你想让它换个角度解释一段代码，它马上换。整个过程像和人聊天，你的意图可以随时修正。

AI Agent 是目标式的。你告诉它"做完这件事"，它自己列一个待办清单，然后一项一项往下做。中间过程可能显示在界面上，也可能在后台跑。

代价是你对过程的控制变弱了。换来的是，你不需要自己当那个"中间件"。

这个区别听起来抽象，拆开看其实很具体。

拆一个任务，看看差别在哪

拿竞品调研这个任务举例，它实际上包含几个动作：

• 搜索这几个产品的官网
• 打开定价页
• 找第三方评测
• 把功能和价格整理成统一维度
• 写成一份能给人看的报告

用 ChatGPT 做，每一个动作都要你发起一次对话。它不能自己打开网页（除非开了联网功能，那也需要你在对话里明确要求），不会记住"我刚才让你查的是这五家"，也不会在你没提醒的时候主动去补一个缺失的价格。

用 AI Agent 做，你只需要把上面那五步浓缩成一句话：

调研 5 个面向中小团队的企业协作工具，整理主要功能、价格区间、适合的团队规模和明显短板，
输出一份 1500 字左右的中文对比报告，附一个表格。

它会把这个目标拆成子任务，决定先搜什么、再看什么页面、怎么整理。中间如果某个页面打不开，它会换个来源再试。

差别在这里：ChatGPT 帮你完成动作，AI Agent 帮你完成流程。

AI Agent 到底多了什么

绕开宣传口径，Agent 之所以能做多步骤任务，靠的是几件比较实在的事。

第一是任务规划。它会把"写一份对比报告"这种模糊目标，拆成"找资料、提取信息、对齐维度、组织成文"几个可执行的步骤，然后排个顺序。这一步做得好不好，直接决定后面跑得顺不顺。做得不好的时候，你会看到它把三个不相关的任务混在一起，或者漏掉明显该做的一步。

第二是上下文记忆。步骤五可以直接引用步骤一查到的东西。人做多轮对话最累的地方，就是每次都要重新交代一遍"我刚才说的是这五家，价格是年付的"。Agent 不需要这句提醒。

第三是工具调用。网页浏览、抓取页面内容、写文档、处理表格数据，这些动作对单个对话模型来说是"外部能力"，对 Agent 来说是内置的零件。它可以在执行过程中自己决定用哪个。

第四是失败重试。页面 404 了、搜索结果不相关、某段内容抓不到，这些情况人在做的时候会本能地换个办法，Agent 也会，只不过它的容错逻辑由工程实现。这也意味着它可能反复试同一个错招，所以中间结果仍然值得看一眼。

反过来看，ChatGPT 什么时候更好用

很多讨论会把 Agent 说成升级版，这个说法不准确。至少在下面这些场景，我仍然会直接开 ChatGPT。

要写一段代码但不确定思路时，对话式的来回更高效。你贴一段报错，它给分析，你补充一句环境信息，它修正判断。这种高频交互 Agent 反而不擅长，因为它倾向于一口气跑完。

要改一段已经有初稿的文字时，也是对话更顺手。你明确知道要改哪一句，直接说就行，不必让 Agent 重新规划整篇文章。

要问一个知识点时更明显。查一个正则怎么写，问一个 API 参数的含义，这类单点问题用 Agent 是多此一举，它可能还会去联网搜一圈，反而更慢。

还有一种情况：任务本身很短。如果三句话就能解决，启动 Agent 的规划流程纯属浪费。

所以更准确的说法是，ChatGPT 适合你清楚每一步要做什么的时候，AI Agent 适合你只知道终点在哪的时候。

判断标准可以简化成一个问题

我自己后来总结了一个判断方式：这件事需要几次"复制粘贴"？

如果答案是零到一次，用 ChatGPT。你问一句就能拿到结果，没必要引入一个会自己规划的执行体。

如果答案超过两次，说明任务里有明显的串行依赖，上一步的产出是下一步的输入。这时候 Agent 的上下文记忆就开始值钱了，因为它省掉的不只是操作时间，还有每次重新描述背景的脑力。

如果任务里还包含"要去网上找最新资料"这个动作，Agent 的优势会更明显。模型的知识有截止日期，而竞品价格、产品更新、行业动态这类信息，恰恰每天都在变。

两边都要注意的事

不管用哪个，有些坑是一样的。

事实核对不能省。Agent 的报告读起来比对话更"完整"，这反而容易让人放松警惕。完整不等于准确，尤其是数字和功能清单。金融、法律、医疗这类场景，输出只能当草稿看。

目标描述要具体。给 Agent 一个"帮我做个市场分析"，它只能瞎猜你要哪个市场、给谁看。给 ChatGPT 一个含糊的问题，最多是答得泛一点，纠正成本低；给 Agent 一个含糊的目标，它可能花十分钟跑偏到一个你完全不需要的方向。

复杂任务要分段。一次跑完二十页报告，中间某一步错了，你很难定位是哪一步出的问题。分成三轮跑，每轮结束检查一下，返工成本会低很多。

在线工具要留意数据边界。合同、财务数据、密钥、未公开的路线图，这些内容不适合直接丢进云端工具。真要用，先做脱敏处理。

回到那个下午

那份竞品报告最后我用了 Agent 的版本做底稿，然后手工改了差不多三分之一。它找的价格有两个过期了，一家的产品定位描述也不太准。但它帮我把最耗时的部分做完了：开十几个页面、把信息抄到一起、对齐成同一个维度。

四十分钟变成十五分钟，省下来的主要是那种"又要开一堆标签页"的心理阻力，打字时间其实占得不多。

这也是我对这类工具的看法。它没有让 ChatGPT 变得多余，只是把一类原本要人来做衔接的工作接了过去。你依然需要判断哪份资料可信、哪个结论能写、报告给谁看。这些判断没法外包。

工具的分工大概就是这样：一个负责回答，一个负责跑腿。知道什么时候该用哪个，比争论谁更强有用得多。