Enter your search text in the box above

Select a result to preview

AI Agents

AI Agent 可以理解为：基于大语言模型的可行动系统。它不只是“会聊天的模型”，而是能够在目标约束下，调用工具、读取环境、维持状态，并持续迭代直到完成任务的系统。

一个便于记忆的抓手

理解 AI Agent，可以记住一句话：感知环境，形成判断，调用工具，拿反馈继续迭代。

也可以压缩成 4 个词：感知 -> 决策 -> 执行 -> 反馈。

在生产系统里，你还需要一层“护栏（Guardrails）” ——边界

Agent 是一个系统：它接收目标而非指令，自主控制"感知 → 推理 → 行动"的循环，直到满足成功标准或触发终止条件。

自主性无法填补事实缺口，Agent 只能在已知信息的范围内自主行动

为什么 AI Agent 重要

普通 LLM 更像“单轮回答机器”，而 Agent 更接近“持续完成任务的工作单元”。

当任务需要下面这些能力时，Agent 才真正有价值：

这也是为什么 AI Agent 常被用在 coding agent、research agent、OS agent、自动化工作流和企业助理等场景中。

一个更容易理解的心智模型

如果把 Agent 看成一个“AI 员工”，它大致由 5 个部分组成：

1. 目标

系统先要知道“要完成什么”。目标可以来自用户提示、任务单、工单、环境事件或上一步任务结果。

2. 大脑

通常由 LLM 或 MLLM 负责理解任务、做局部推理、选择下一步动作。

3. 手和脚

也就是工具层，例如：

4. 记忆

包括短期上下文、长期记忆、用户偏好、历史执行记录和中间状态。

5. 反馈回路

Agent 每完成一步，就根据结果判断：

这一层决定了 Agent 和普通问答系统的核心区别。Agent 的本质不是“回答得更像人”，而是“会围绕目标持续行动”。

AI Agent 与普通 Chatbot 的区别

维度 普通聊天模型 AI Agent
目标持续性 通常单轮 多轮持续推进
工具使用 有时调用 工具调用是核心能力
状态管理 弱 强，常带记忆与任务状态
结果形态 回答 行动、产物、任务完成
失败处理 直接结束 会重试、改计划、回退

一句话说：Chatbot 重点在回答，Agent 重点在完成。

AI Agent 的关键组成

1. 规划与编排

当任务复杂时，Agent 往往要先分解问题，再决定调用顺序与执行策略。

其中一个重要理解是：人的工作重心会从“亲自解题”，转向“设计一个让 Agent 能持续逼近正确答案的环境”，除了运行环境本身，甚至可以借助“社区化”，让 Agent 在一个好的社区环境中持续自主进化，比如：让你的 AI Bot 去上学。

2. 模型与路由

Agent 系统往往不只用一个模型，而是按任务类型、成本、延迟和质量要求进行分配。

相关笔记：

如果说模型是“大脑”，那么路由系统就是“大脑调度器”。

3. 工具接入

Agent 的可用性很大程度取决于它能调用哪些工具、工具是否可靠、接口是否清晰。

相关笔记：

4. 治理与护栏

一旦 Agent 具备执行能力，就必须考虑权限边界、输入输出控制、内容安全、失败回滚和审计问题。

相关笔记：

5. 观测与评估

Agent 不是“做出来就行”的系统，它的成本、成功率、步骤数、重试路径、失败原因都需要被追踪和评估。

如果没有观测，Agent 系统就会很快变成不可调试的黑箱。

当前最值得关注的几类 Agent

1. Coding Agent

让 Agent 参与代码理解、修改、测试、重构与调试。

相关笔记：

2. OS Agent

直接操作电脑、手机或浏览器环境，通过视觉和工具执行任务。

这类方向在 2025 年开始明显升温，典型特征是：

3. Research Agent

帮助人做检索、筛选、总结、引用整理和研究报告生成。

4. Workflow Agent

接在业务流程里做自动化，例如客服、销售、内容运营、内部知识系统、审批流与数据处理。

5. Personal Assistant / Workflow Agent（OpenClaw）

OpenClaw 更属于个人助理型 Agent 与 Workflow Agent 的结合体，而不是一个纯粹的 OS Agent。

为什么这样判断：

OpenClaw 不是那种“只会操作电脑界面”的 OS Agent，而是一个以个人助理和工作流自动化为核心、再向外扩展多工具与多入口能力的 agent 产品。

研究信号与代表案例

OS Agent Survey

MarsCode Agent

Claude Think Tool

现阶段的典型问题

AI Agent 很强，但也还远没有稳定到“可放心托付一切”。现阶段常见问题包括：

所以对 Agent 的判断不能只看 demo，而要看：

怎样更系统地学习 AI Agent

如果把这块内容作为长期主题，比较推荐的阅读顺序是：

  1. 先建立总览
  1. 再理解系统底层
  1. 最后看具体实现与案例

一个适合记忆的总结

AI Agent 不是一个单独的模型，而是一套围绕任务目标组织起来的系统。

它真正困难的地方，不是“模型够不够聪明”，而是下面这些系统问题：

所以理解 AI Agent，最好的方式不是只研究 prompt，而是把它当成“一个由模型、工具、状态、策略和反馈回路共同组成的任务系统”去看。

相关阅读

参考资源