一句话解释

AI Agent 是能够围绕目标感知环境、规划步骤、调用工具、执行动作、观察结果并持续调整行为的 AI 系统。

如果普通聊天模型更像“回答问题的人”，Agent 则更像“带着工具做事的人”：它不只生成一段答案，还会把任务拆开，查资料、写代码、调用 API、检查结果，然后继续下一步。

为什么最近变火

Agent 不是一个新词。在传统 AI 教科书中，智能体通常被定义为能够感知环境并对环境采取行动的系统。机器人、游戏 AI、自动驾驶系统、推荐策略、强化学习智能体，都可以被放进广义 Agent 框架中。

但 2022 年之后，“AI Agent”在大模型语境中重新变火，原因是 LLM 带来了一个新的通用控制层：自然语言模型不只会回答问题，还能读指令、写计划、解释工具说明、生成函数参数、根据反馈修正行为。这让过去需要大量手写逻辑的自动化流程，开始可以由模型动态组织。

几个关键节点推动了这一轮热度：

• 2022 年，ReAct 提出把 reasoning 和 acting 结合，让语言模型边推理边调用外部工具。
• 2023 年，Toolformer 展示了模型学习调用工具的思路。
• 2023 年，AutoGPT、BabyAGI 等项目让“自主任务循环”的概念出圈，虽然实际可靠性有限。
• 2023 年，Generative Agents 展示了由 LLM 驱动的模拟角色如何存储记忆、反思并计划行为。
• 2023 年，Voyager 展示了 LLM Agent 在 Minecraft 中持续探索、积累技能的可能。
• 2024 年，Claude computer use、SWE-agent、Devin 等让“电脑操作 Agent”和“软件工程 Agent”成为焦点。
• 2024 年底，Anthropic 的 Building effective agents 系统区分了 workflow 和 agent，强调可控设计。
• 2025 年，OpenAI 推出 Responses API、Agents SDK、Operator、Deep Research、ChatGPT agent 等产品和工具，使 Agent 从概念走向平台能力。

Agent 之所以重要，是因为大模型应用正在从“生成内容”走向“完成任务”。写一段文字、回答一个问题，只是单步能力；而真实工作往往需要多步执行、外部系统、错误恢复、权限控制和结果验证。

它解决了什么问题

• 单次问答不够：复杂任务需要拆解成多步，而不是一次回答完。
• 模型无法直接行动：LLM 只能生成文本，Agent 通过工具调用连接外部世界。
• 上下文会变化：执行过程中会产生新信息，Agent 需要根据观察结果调整计划。
• 人工操作重复：查资料、整理表格、写脚本、提交表单等流程可以部分自动化。
• 工具太多太碎：Agent 可以用自然语言作为统一调度层，把搜索、数据库、代码、浏览器、文件系统连接起来。
• 复杂任务需要验证：Agent 可以运行测试、检查结果、重试失败步骤。
• 个性化工作流：Agent 可以结合用户偏好、历史记忆和业务上下文执行任务。

不过，Agent 不是“把模型放进循环里就能自动完成一切”。越自主的系统，越需要约束、评估、权限、日志和人工确认。

核心概念

1. 目标

Agent 必须围绕目标工作。目标可以很简单，例如“总结这篇文章”；也可以很复杂，例如“调研 5 个竞品，生成对比报告，并列出产品建议”。

目标决定 Agent 要规划什么、调用什么工具、何时停止。如果目标模糊，Agent 可能做出看似努力但方向错误的动作。

2. 环境

环境是 Agent 所处的世界。它可以是网页、代码仓库、数据库、文件系统、聊天窗口、游戏世界、机器人所在空间，也可以是企业业务系统。

传统强化学习中，环境会返回状态和奖励；LLM Agent 中，环境常常返回工具结果、网页内容、命令输出、测试结果、用户反馈或错误信息。

3. 工具

工具让 Agent 能够行动。常见工具包括：

工具类型	例子	作用
搜索工具	Web Search、企业知识库	获取外部信息
文件工具	读写文件、解析 PDF	操作文档和代码
代码工具	Python、Shell、测试框架	计算、验证、执行脚本
API 工具	日历、邮箱、CRM、数据库	操作业务系统
浏览器工具	打开网页、点击按钮、填写表单	使用图形界面
多模态工具	OCR、图像理解、语音识别	感知非文本信息

工具是 Agent 和现实世界之间的接口。没有工具的 Agent，通常只能“想”和“说”；有工具的 Agent，才可以“查”“算”“改”“发”“提交”。

4. 记忆

记忆让 Agent 能跨步骤保留信息。它可以分成几类：

• 当前任务上下文：这次任务已经做了什么。
• 短期工作记忆：当前计划、临时结果、待办项。
• 长期记忆：用户偏好、项目背景、历史经验。
• 外部知识记忆：RAG 知识库、文档索引、数据库记录。

记忆很有用，但也有风险。错误记忆会污染后续决策，隐私信息也需要严格管理。

5. 规划

规划是把目标拆成步骤。简单任务可能不需要显式计划，复杂任务则需要先判断路径：

目标：写一份竞品分析报告
计划：
1. 明确竞品列表
2. 搜集每个竞品的核心功能和价格
3. 对比目标用户和差异点
4. 生成表格
5. 写结论和建议
6. 标注来源

计划不是一次写完就不变。Agent 执行中可能发现资料不足、工具失败、用户目标需要澄清，于是要重新规划。

6. 观察与反馈

Agent 的关键不只是“执行”，还要观察执行结果。例如运行测试后失败了，Agent 要读错误日志；搜索结果不相关，Agent 要换关键词；用户说方向不对，Agent 要调整。

这形成一个循环：

这也是 Agent 和普通自动化脚本的区别之一。脚本通常按固定流程执行；Agent 更强调根据环境反馈动态调整。

工作原理

一个典型 LLM Agent 可以理解为“模型 + 工具 + 记忆 + 控制循环”。

用户提出目标后，系统把目标、可用工具、约束条件、历史上下文交给模型。模型决定下一步行动：回答、检索、调用函数、执行代码、打开网页、请求用户确认，或结束任务。

工具返回结果后，模型把结果纳入上下文，再决定下一步。

更成熟的 Agent 系统通常会加入：

• 工具 schema：定义工具名称、参数、返回值和限制。
• 状态管理：记录任务进度、已完成步骤和失败原因。
• 权限控制：哪些工具可用，哪些操作需要用户确认。
• 计划器：负责拆解任务和安排顺序。
• 执行器：负责调用工具并处理错误。
• 评估器：检查结果是否满足目标。
• 日志系统：记录每一步操作，便于审计和调试。

Agent 和 Workflow 的差别

Anthropic 在 Building effective agents 中强调一个重要区分：workflow 和 agent 不完全一样。

Workflow 是由开发者预先编排好的流程，模型可能参与其中，但步骤结构相对固定。例如：

用户上传文档 -> 模型总结 -> 检查敏感信息 -> 生成报告

Agent 则更动态。系统给模型目标、工具和环境，模型自己决定如何推进任务、调用哪些工具、什么时候停止。

类型	特征	优点	风险
Workflow	流程固定，步骤可控	稳定、易审计、适合生产	灵活性较低
Agent	模型动态决定行动	灵活、适合开放任务	不稳定、难预测、需强约束

真实产品常常混合二者：外层是可控 workflow，内部某些步骤交给 Agent 灵活处理。

判断一个系统是不是 Agent

不要把“调用了大模型”就等同于 Agent。一个系统越接近 Agent，通常越具备下面几个特征：

维度	普通 LLM 应用	Agent 化系统
目标	用户提出一个问题，模型回答	用户给出目标，系统自己拆解任务
行动	主要生成文本	会调用工具、读写文件、访问外部环境
状态	多数状态存在于对话上下文	有任务状态、步骤日志、工具结果和中间产物
反馈	用户看答案后再追问	系统会根据工具结果或错误继续调整
停止条件	一次回答结束	需要判断任务完成、失败或等待人工确认

这个判断很重要，因为 Agent 化程度越高，工程要求越高。只做一个“帮我总结文档”的按钮，可能不需要 Agent；让系统连续搜索资料、写代码、运行测试、修复失败、提交结果，就必须考虑权限、沙箱、重试、日志、回滚和人工审批。

典型应用场景

1. 研究和资料整理 Agent

研究 Agent 可以围绕一个问题搜索资料、阅读网页、整理来源、对比观点、生成报告。

例如 OpenAI Deep Research 这类产品，目标就是让模型在较长时间内自主浏览和综合大量信息，输出带引用的研究报告。

这类 Agent 的关键是来源质量和引用准确性。它不能只写得像研究报告，还要让用户能追溯证据。

2. 编程 Agent

编程 Agent 可以阅读代码库、定位 bug、修改文件、运行测试、解释错误、提交补丁。

SWE-agent、Devin、Codex 类工具都属于这个方向。相比普通代码补全，编程 Agent 更像一个能在仓库里行动的助手。

它需要处理：

• 文件定位；
• 代码理解；
• 修改计划；
• 运行测试；
• 失败重试；
• 避免破坏用户已有改动；
• 生成清晰变更说明。

3. 浏览器和电脑操作 Agent

这类 Agent 能打开网页、点击按钮、填写表单、下载文件、阅读截图、操作桌面应用。

Claude computer use、OpenAI Operator、ChatGPT agent 都体现了这个方向。它们让模型从“理解网页内容”进一步走向“使用网页完成任务”。

风险也更高。因为电脑操作可能涉及支付、隐私、发消息、删除文件、提交表单等真实后果，所以必须有权限边界和人工确认。

4. 办公自动化 Agent

办公 Agent 可以帮用户整理日程、写邮件、生成会议纪要、更新表格、同步任务、查询知识库。

这类场景通常不需要完全自主，反而需要安全可控。比如“帮我草拟邮件”可以自动完成，但“发送给所有客户”可能需要用户确认。

5. 数据分析 Agent

数据分析 Agent 可以读取数据表、写 SQL、运行 Python、生成图表、解释趋势。

它的优势是把自然语言问题转成分析步骤。但它也容易犯错，例如误解字段含义、写错 SQL、忽略异常值。因此需要代码执行结果、数据校验和人类审查。

6. 游戏、机器人和具身 Agent

Voyager 在 Minecraft 中展示了一个 LLM Agent 如何探索环境、积累技能并持续改进。机器人 Agent 则需要把语言目标、视觉感知、动作规划和物理控制结合起来。

这类 Agent 更接近传统 AI 中的“感知环境并行动”的定义。难点是现实环境不确定，动作有物理后果，错误成本更高。

和其他概念的区别

概念	解决的问题	和 Agent 的关系
LLM	生成和理解语言	Agent 通常以 LLM 作为决策核心
RAG	给模型补充外部知识	Agent 可以把 RAG 当检索工具
Function Calling	让模型结构化调用函数	Agent 执行动作的重要机制
Tool Use	使用外部工具	Agent 的核心能力之一
Workflow	固定流程自动化	Agent 更动态，workflow 更可控
MCP	标准化连接工具和数据源	Agent 可通过 MCP 使用外部系统
Skill	可复用能力包	Agent 可加载技能来完成特定任务
Prompt Engineering	优化单次模型输入	Agent 需要更系统的上下文和状态管理
Context Engineering	组织指令、记忆、工具结果	Agent 的基础工程能力

Agent 和聊天机器人有什么区别

聊天机器人主要围绕对话回答。它可以很有帮助，但通常不主动执行多步任务。

Agent 更强调目标、行动和反馈循环。它会在任务中调用工具、观察结果、更新计划，直到完成或请求用户介入。

简单对比：

类型	用户说	系统做
聊天机器人	“解释一下 RAG”	生成解释
Agent	“帮我整理 RAG 资料并生成博客草稿”	搜索资料、阅读来源、写草稿、检查引用

一个简单例子

假设用户说：

帮我查一下我们项目里登录失败的原因，并尽量修复。

一个编程 Agent 可能这样工作：

这里的重点是：Agent 不是一次性回答“可能是密码错误”。它会进入代码环境，搜索、运行、观察、修改、验证。这就是 Agent 从“语言助手”走向“任务执行者”的关键变化。

常见误解

误解 1：Agent 越自主越好

不一定。自主性越高，风险也越高。一个能自动搜索资料的 Agent 风险较低；一个能自动发邮件、转账、删除文件、修改生产数据库的 Agent 风险就很高。

好的 Agent 设计不是追求无限自主，而是让系统在合适的地方自主，在高风险操作前请求确认。

误解 2：Agent 就是一个无限循环的 prompt

早期 demo 常把 Agent 做成“模型计划 -> 执行 -> 继续计划”的循环。但生产级 Agent 需要状态管理、工具约束、错误处理、预算限制、权限控制和停止条件。

没有停止条件的 Agent 可能反复搜索、重复尝试、浪费成本，甚至执行错误操作。

误解 3：有了 Agent 就不需要 Workflow

恰恰相反，很多可靠系统需要 workflow。固定流程适合可控业务，Agent 适合开放步骤。成熟应用通常会把 Agent 放在明确边界内，而不是让模型自由决定一切。

误解 4：Agent 会自然学会使用任何工具

不会。工具说明、参数设计、错误反馈、示例、权限和返回格式都会影响模型使用效果。一个接口设计混乱的工具，会让 Agent 频繁误用。

这也是 MCP、Skill、Function Calling 等概念变得重要的原因：它们都在试图让模型更可靠地使用外部能力。

误解 5：Agent 只要模型更强就会自动可靠

模型能力很重要，但可靠 Agent 还依赖系统工程。包括：

• 工具是否安全；
• 日志是否可审计；
• 任务是否有评估；
• 错误是否可恢复；
• 是否能防止越权；
• 是否能处理用户中途修改目标；
• 是否能在不确定时暂停并询问。

Agent 是模型能力和工程边界共同塑造的系统。

未来趋势

1. 从聊天入口到任务入口

未来很多 AI 产品不再只是聊天框，而是任务入口。用户说“帮我完成这件事”，系统会自动组织步骤、调用工具、生成结果。

聊天仍然存在，但它会变成任务控制台，而不只是问答界面。

2. Agentic Coding

编程是 Agent 最适合落地的领域之一，因为代码环境可执行、可测试、可回滚。未来编程 Agent 会更擅长：

• 跨文件修改；
• 自动补测试；
• 阅读报错日志；
• 迁移 API；
• 修复 CI；
• 生成 PR；
• 与人类开发者协作。

真正的挑战不是写出一段代码，而是在复杂代码库里做安全、局部、可验证的修改。

3. 多模态 Agent

Agent 会越来越多地使用视觉、语音和屏幕理解能力。它可以看用户界面、听会议、读图表、理解截图，再执行操作。

这会推动浏览器 Agent、电脑操作 Agent、机器人 Agent 和办公 Agent 的融合。

4. 标准化工具生态

Agent 要可靠使用外部世界，需要标准化接口。Function Calling、MCP、OpenAPI、插件、Skill 等都是这条路上的不同形态。

未来开发者可能不再只写“给人用的 API”，还要写“给 Agent 用的工具说明、权限模型和安全边界”。

5. 可评估、可审计、可控的 Agent

Agent 走向生产，评估会比 demo 更重要。系统需要回答：

• Agent 是否完成了目标？
• 过程中是否调用了正确工具？
• 有没有访问不该访问的数据？
• 是否产生不可逆操作？
• 失败时能否恢复？
• 结果是否有证据和测试支持？

未来 Agent 平台会更重视日志、回放、沙箱、权限、审批、成本控制和任务级评估。

小结

• AI Agent 是能够围绕目标感知环境、规划步骤、调用工具、执行动作并根据反馈调整的系统。
• Agent 是老概念，但 LLM 让它在 2022 年之后重新变热。
• LLM Agent 的关键能力包括目标理解、工具使用、记忆、规划、观察和反馈循环。
• ReAct、Toolformer、Reflexion、AutoGPT、Generative Agents、Voyager 等推动了现代 Agent 研究和产品想象。
• Agent 和 workflow 不同：workflow 更固定可控，Agent 更动态灵活。
• 真实应用常把二者结合，用 workflow 提供边界，用 Agent 处理开放步骤。
• 典型应用包括研究助手、编程 Agent、浏览器/电脑操作 Agent、办公自动化、数据分析和机器人。
• Agent 最大风险来自过度自主、工具误用、权限失控、错误累积和缺乏验证。
• 未来 Agent 会向任务入口、Agentic Coding、多模态操作、标准化工具生态和可审计生产系统发展。

参考资料

• Stuart Russell and Peter Norvig, Artificial Intelligence: A Modern Approach, Intelligent Agents: https://aima.cs.berkeley.edu/
• Shunyu Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, 2022: https://arxiv.org/abs/2210.03629
• E. Karpas et al., MRKL Systems: A modular, neuro-symbolic architecture that combines large language models, external knowledge sources and discrete reasoning, 2022: https://arxiv.org/abs/2205.00445
• Timo Schick et al., Toolformer: Language Models Can Teach Themselves to Use Tools, 2023: https://arxiv.org/abs/2302.04761
• Noah Shinn et al., Reflexion: Language Agents with Verbal Reinforcement Learning, 2023: https://arxiv.org/abs/2303.11366
• Joon Sung Park et al., Generative Agents: Interactive Simulacra of Human Behavior, 2023: https://arxiv.org/abs/2304.03442
• Guanzhi Wang et al., Voyager: An Open-Ended Embodied Agent with Large Language Models, 2023: https://arxiv.org/abs/2305.16291
• AutoGPT GitHub Repository: https://github.com/Significant-Gravitas/AutoGPT
• BabyAGI GitHub Repository: https://github.com/yoheinakajima/babyagi
• John Yang et al., SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering, 2024: https://arxiv.org/abs/2405.15793
• Carlos E. Jimenez et al., SWE-bench: Can Language Models Resolve Real-World GitHub Issues?, 2023: https://arxiv.org/abs/2310.06770
• Anthropic, Building effective agents, 2024: https://www.anthropic.com/research/building-effective-agents
• Anthropic, Computer use, 2024: https://www.anthropic.com/news/3-5-models-and-computer-use
• OpenAI, New tools for building agents, 2025: https://openai.com/index/new-tools-for-building-agents/
• OpenAI, Introducing Operator, 2025: https://openai.com/index/introducing-operator/
• OpenAI, Introducing deep research, 2025: https://openai.com/index/introducing-deep-research/
• OpenAI, Introducing ChatGPT agent, 2025: https://openai.com/index/introducing-chatgpt-agent/