01｜什么是 Agent：从智能管家小安看懂自主行动

用小安的咖啡任务区分模型、工具、环境与 Agent。

Agent 像旅行助理：地图知识是模型，固定行程单是工作流，能查票、比较、询问预算、预订并处理失败的闭环才是 Agent。

本课交付物

用纸笔设计“找周末餐厅”闭环，标出观察、决策、工具、结果与停止条件。

---

核心讲解

在本节结束时，你将对智能体的概念及其在人工智能中的各种应用感到熟悉。

为了解释什么是智能体，我们先从一个类比开始。

整体概览：智能体 小安

来见见 小安。小安 是一个智能体。

想象 小安 收到一个指令，比如：“小安，我想来杯咖啡。”

因为 小安 理解自然语言，他很快就明白了我们的请求。

在完成任务之前，小安 会进行推理和规划，弄清楚他需要的步骤和工具：

1. 去厨房
2. 使用咖啡机
3. 煮咖啡
4. 把咖啡拿回来

一旦有了计划，他就必须行动。为了执行计划，他可以使用他所知道的工具列表中的工具。

在这个例子中，为了煮咖啡，他使用了咖啡机。他启动咖啡机来煮咖啡。

最后，小安 把刚煮好的咖啡拿给我们。

这就是智能体：一个能够进行推理、规划和与环境交互的人工智能模型。

我们称之为智能体，因为它具有能动性，即与环境交互的能力。

更正式的定义

现在你已经了解了整体情况，以下是一个更精确的定义：

智能体是一个系统，它利用人工智能模型与环境交互，以实现用户定义的目标。它结合推理、规划和动作执行（通常通过外部工具）来完成任务。

可以把智能体想象成有两个主要部分：

1. 大脑（AI 模型）

这是所有思考发生的地方。AI 模型负责推理和规划。它根据情况决定采取哪些行动。

2. 身体（能力和工具）

这部分代表了智能体所能做的一切。

可能行动的范围取决于智能体被配备了什么。例如，因为人类没有翅膀，所以他们不能执行“飞”这个行动，但他们可以执行“走”、“跑”、“跳”、“抓”等行动。

“智能体”能力的层次

根据上述定义，智能体的能力递增可视为一个连续谱系：

智能体等级	描述	常见称谓	示例模式
☆☆☆	智能体输出不影响程序流程	简单处理器	processllmoutput(llmresponse)
★☆☆	智能体输出决定基本控制流	路由	if llmdecision(): patha() else: pathb()
★★☆	智能体输出决定函数调用	函数调用者	runfunction(llmchosentool, llmchosenargs)
★★★	智能体输出控制迭代及程序延续	多步智能体	while llmshouldcontinue(): executenextstep()
★★★	一个智能体流程可启动另一个智能体流程	多智能体系统	if llmtrigger(): executeagent()

表格摘自smolagents概念指南。

我们为智能体使用什么类型的 AI 模型？

智能体中最常见的 AI 模型是 LLM（大型语言模型），它接受文本作为输入，并输出文本。

知名的例子包括OpenAI 的 GPT4、Meta 的 LLama、Google 的 Gemini 等。这些模型已经经过大量文本的训练，并且具有很好的泛化能力。我们将在下一节中更深入地了解 LLM。

提示：
也可以使用接受其他输入作为智能体核心模型的模型。例如，视觉语言模型（VLM），它就像 LLM 一样，但也能理解图像作为输入。我们现在将重点关注 LLM，稍后再讨论其他选项。

AI 如何在环境中采取行动？

LLM 是令人惊叹的模型，但它们只能生成文本。

然而，如果你让像 HuggingChat 或 ChatGPT 这样的知名聊天应用程序生成图像，它们却可以做到！这是怎么可能的？

答案是，HuggingChat、ChatGPT 和类似应用程序的开发者实现了额外的功能（称为工具），LLM 可以利用这些工具来创建图像。

模型使用图像生成工具生成了这张图像。

我们将在工具一节中更深入地了解工具。

智能体可以执行什么类型的任务？

智能体可以通过工具执行我们实现的任何任务来完成行动。

例如，如果我编写一个智能体作为我电脑上的个人助理（像 Siri 一样），并且我让它“给我的经理发一封邮件，要求推迟今天的会议”，我可以给它一些发送邮件的代码。这将是一个新的工具，智能体在需要发送邮件时可以随时使用。我们可以用 Python 编写它：

def send_message_to(recipient, message):
    """Useful to send an e-mail message to a recipient"""
    ...

如我们所见，大型语言模型（LLM）将在需要时生成运行该工具的代码，从而完成所需任务。

send_message_to("Manager", "Can we postpone today's meeting?")

工具的设计至关重要，对智能体的质量有着深远的影响。某些任务可能需要定制特定的工具，而其他任务则可以通过通用工具（如“网络搜索”）来解决。

请注意，动作（Actions）与工具（Tools）是不同的概念。例如，一个动作可能涉及使用多个工具来完成任务。

允许智能体与其环境进行交互为企业和个人提供了实际应用场景。

示例 1：个人虚拟助手

像 Siri、Alexa 或 Google Assistant 这样的虚拟助手，在代表用户与其数字环境交互时，充当着智能体的角色。

它们接收用户查询，分析上下文，从数据库中检索信息，并提供响应或启动动作（如设置提醒、发送消息或控制智能设备）。

示例 2：客户服务聊天机器人

许多公司部署聊天机器人作为智能体，使其能够以自然语言与客户互动。

这些智能体可以回答问题、引导用户完成故障排除步骤、在内部数据库中创建问题，甚至完成交易。

它们的预定义目标可能包括提高用户满意度、减少等待时间或提高销售转化率。通过直接与客户互动、从对话中学习并随着时间的推移调整其响应，它们展示了智能体的核心原理。

示例 3：视频游戏中的 AI 非玩家角色（NPC）

基于大语言模型（LLMs）的智能体可以使非玩家角色（NPC）更具动态性和不可预测性。

它们不再局限于僵化的行为树，而是能够根据上下文做出响应、适应玩家交互，并生成更细致入微的对话。这种灵活性有助于创造更生动、更具吸引力的角色，这些角色会随着玩家的操作而发展。

---

总结而言，智能体是一个系统，它使用人工智能模型（通常是大语言模型）作为其核心推理引擎，以实现以下功能：

• 理解自然语言：以有意义的方式解释和回应人类指令。

• 推理与规划：分析信息、做出决策并制定解决问题的策略。

• 与环境交互：收集信息、执行操作并观察这些操作的结果。

现在你已经对智能体有了扎实的理解，让我们通过一个简短的、不计分的测验来巩固你的知识。之后，我们将深入探讨智能体的“大脑”：大型语言模型（LLM）。

---

本站实战工作台

会回答，与会办事之间隔着一个闭环

模型接收输入并生成输出；工作流按预先写好的路径执行；Agent 则围绕目标反复读取状态、选择动作、调用环境、接收观察，直到完成或触发停止。关键不是界面像聊天，而是外部反馈能否改变下一步。

目标 → 当前状态 → 决策 → 动作/工具 → 新观察
 ↑                                  ↓
完成、预算、风险与人工接管 ← 更新状态

一个天气问答只用模型知识，可能过时；固定调用 weather(city) 是工作流；面对“周末带孩子去哪”，先追问城市与偏好，再查天气、场馆和交通，比较结果并在缺票时换方案，才体现 Agent 闭环。

Agent 的五个零件

目标必须可判断；状态保存已知事实和进度；策略选择下一动作；工具改变或读取环境；停止规则限制轮次、成本和风险。缺任何一个，系统都可能只是包装精美的单次生成。

不要把“记忆”“规划”“多 Agent”当成必选。最小 Agent 可以没有长期记忆，也可以每次只计划一步。复杂度应由任务不确定性推动。

纸上设计餐厅助理

目标是“找到周六晚适合 4 人、每人 150 元内、离地铁近的餐厅”。先写状态：城市未知、人数 4、预算 600、日期周六。可用工具只有 ask_user、search_restaurants、route_time。设计三轮轨迹，明确每次观察怎样改变下一步。

加入失败：搜索返回空列表。正确行为可能放宽距离并向用户确认，不能凭空编一家店。加入停止：最多 6 次工具调用，预订属于高影响动作，必须人工确认且本练习不提供 booking 工具。

三个容易误判的例子

固定 ETL 即使有十个步骤也不是 Agent，因为路径不随反馈改变；聊天机器人即使语气自然也不一定能行动；带一个工具的系统若模型能根据结果重试或换路，已经具有最小 Agent 特征。

本课验收

你能对任意系统指出目标、状态、动作、观察和停止；能解释为什么有些任务更适合确定性工作流；纸面轨迹遇到空结果不会幻觉；所有外部动作都有权限边界。判断 Agent，先看闭环，不看营销名称。