Awesome Study Agent

Appearance

2026-02-03
2966
11.1m

什么是 AI Agent? ​

本章目标:搞清楚 AI Agent 是什么,它和普通的 AI 助手有什么不同

阅读时间:25 分钟

AI Agent 的定义 ​

先搞懂"Agent"是什么 ​

在计算机科学里,"Agent"指的是一个能够自主行动的实体。它不是被动的工具,而是能自己感知环境、做决策、采取行动。

用一句话概括:Agent = 感知 + 决策 + 行动

AI Agent 是什么 ​

AI Agent 就是基于 AI 技术构建的自主系统。给它一个目标,它能自己想办法完成,而不是被动等待指令。

核心特征:

  • 自主性:不需要人一直盯着,自己能跑
  • 交互性:能和环境、用户、其他 Agent 打交道
  • 响应性:环境变了能及时反应
  • 主动性:看到目标会主动去实现

一个简单的定义 ​

Cubeo AI 的博客给了一个很直接的说法:

"AI Agent 就是一个能自主用工具、循环跑的大语言模型。"

这个定义虽然简单,但抓住了本质:

  • LLM 提供智能(理解、推理)
  • Tools 提供能力(搜索、计算、API)
  • Loop 持续运行,直到任务完成

其他定义 ​

Alvarez & Marsal 认为 AI Agent 是"基于 LLM 和其他 AI/ML 模型的自主软件程序,能执行特定任务、做决策,并与用户、系统或其他 Agent 交互以实现目标"。

aiagent.app 的定义也类似,强调 Agent 能"从数据中学习,随时间适应,执行曾经只有人类才能做的决策和行动"。

AI Agent vs 传统 AI 助手 ​

这是理解 Agent 的关键。我们通过对比来看区别。

核心区别 ​

特征传统 AI 助手AI Agent
工作方式你问它答自己规划并执行
交互次数一次问答多轮循环,直到完成
工具使用没有能调用外部工具
任务理解理解问题理解目标并拆解
自主性低,需要人引导高,自己决策
记忆能力当前对话可以持久化
目标回答问题完成任务

实例对比 ​

场景:你想了解最新的 AI 发展趋势

传统 AI 助手(如 ChatGPT):

你: "告诉我最新的 AI 发展趋势"
AI: [根据训练数据回答,可能已经过时]

问题很明显:

  • 没法访问实时信息
  • 只能基于训练数据回答
  • 一次回答完,没法深入研究

AI Agent:

你: "研究最新的 AI 发展趋势"

Agent 自动执行:
1. 用搜索工具获取最新新闻和论文
2. 阅读并总结关键内容
3. 分析趋势和模式
4. 生成结构化报告
5. 如果需要,再深入研究

最后: 给你一份包含来源、数据、趋势分析的完整报告

优势很明显:

  • 能获取实时信息
  • 能自主规划研究步骤
  • 能调用多种工具
  • 输出结构化内容

打个比方 ​

传统 AI 助手就像一个超级聪明的顾问:

  • 你问问题,他回答
  • 知识渊博,但只能"说",不能"做"

AI Agent就像一个超级聪明的执行者:

  • 你告诉目标,他自己想办法实现
  • 不仅会"说",还能"做"一系列动作

例子:

  • AI 助手: "如何预订机票?" → 告诉你步骤
  • AI Agent: "帮我订明天去北京的机票" → 直接完成预订

AI Agent 的核心架构 ​

基本组件 ​

一个完整的 AI Agent 通常包含这些模块:

用户输入目标
    ↓
感知模块 - 理解意图和目标,收集环境信息
    ↓
规划模块 - 拆解任务,制定执行计划
    ↓
决策模块 - 选择工具,决定下一步行动
    ↓
记忆模块 - 短期记忆(当前对话) + 长期记忆(历史经验)
    ↓
工具模块 - 搜索引擎、API 调用、文件操作、代码执行
    ↓
行动模块 - 执行操作,获取反馈
    ↓
循环判断: 目标完成?
  否 → 返回规划模块
  是 → 返回最终结果

工作流程示例 ​

任务: "帮我做一个能追踪 GitHub star 数量的浏览器插件"

一个 AI Agent 的处理流程:

1. 感知:理解用户要浏览器插件,目标是追踪 GitHub star

2. 规划:拆解任务
   - 研究浏览器插件开发
   - 调用 GitHub API
   - 设计 UI
   - 编写代码
   - 测试功能

3. 决策:选技术栈(MetaV3 + Vanilla JS),确定功能范围

4. 工具调用:
   - 搜索插件开发教程
   - 调用 GitHub API 文档
   - 生成代码
   - 测试验证

5. 行动:
   - 生成 manifest.json
   - 编写 popup.html
   - 实现 content.js
   - 创建 background.js

6. 反馈与迭代:检查问题,调试修复,优化性能

7. 输出:完整代码 + 安装说明 + 使用指南

AI Agent 的三要素 ​

感知 (Perception) ​

Agent 理解环境和用户需求的能力

包括:

  • 文本理解:理解用户输入的自然语言
  • 上下文理解:理解对话历史和任务背景
  • 环境感知:获取外部信息(搜索、API、文件)

技术基础:大语言模型、提示词工程、上下文学习

决策 (Decision Making) ​

基于感知信息进行推理和规划的能力

包括:

  • 任务拆解:把复杂目标分解成子任务
  • 规划:制定执行步骤和策略
  • 推理:基于已知信息推导结论
  • 选择:选择合适的工具和行动

技术基础:思维链(Chain of Thought)、ReAct 推理、任务规划算法

行动 (Action) ​

执行具体操作、影响环境的能力

包括:

  • 工具调用:使用外部 API 和服务
  • 信息检索:搜索网络、查询数据库
  • 内容生成:创建文本、代码、图像
  • 系统操作:读写文件、执行命令

技术基础:Function Calling、API 集成、执行环境(Sandbox)

AI Agent 的类型 ​

按能力分类 ​

反应式 Agent

  • 根据当前状态直接反应
  • 没记忆,不考虑历史
  • 简单快速
  • 例子:简单客服机器人

基于目标的 Agent

  • 有明确目标
  • 能规划实现路径
  • 考虑未来状态
  • 例子:导航系统、任务规划 Agent

基于效用的 Agent

  • 有效用函数(评估好坏的标准)
  • 在不确定性下做最优决策
  • 考虑多个目标的权衡
  • 例子:金融交易 Agent、资源调度 Agent

学习型 Agent

  • 能从经验中学习
  • 不断改进性能
  • 适应环境变化
  • 例子:推荐系统、自动驾驶

按架构分类 ​

单 Agent 系统

  • 一个 Agent 完成所有任务
  • 简单直接,易于实现
  • 能力有限,不适合复杂任务

多 Agent 系统

  • 多个 Agent 协作完成复杂任务

架构:

协调器(Orchestrator) - 任务分配、结果整合
    ↓        ↓        ↓
Agent 1   Agent 2   Agent 3
(搜索)    (分析)    (总结)

优点:分工协作、效率高、专业性强、容错性好 缺点:复杂度高、需要良好的协调机制

例子:AutoGPT、BabyAGI、研究助手 Agent

AI Agent 的应用场景 ​

个人助理 ​

日程管理、邮件回复、信息汇总、任务规划

例子:Motion.ai(日程优化)

内容创作 ​

文章写作、图像生成、视频脚本、音乐创作

例子:Notion AI、Jasper

软件开发 ​

代码生成、Bug 修复、代码审查、测试生成

例子:Cursor、GitHub Copilot、Claude Code

数据分析 ​

数据可视化、趋势分析、报告生成、洞察发现

例子:Julius AI、ChatBI

客服与销售 ​

自动回复、问题解决、订单处理、产品推荐

例子:Intercom Fin、Drift

科研辅助 ​

文献检索、论文阅读、假设生成、实验设计

例子:Elicit、Consensus

经典 Agent 案例 ​

AutoGPT ​

发布: 2023 年 3 月

核心思想:把 GPT-4"自主化",用户设定目标,Agent 自动规划、执行、迭代

工作流程:

  1. 接收目标
  2. 规划任务列表
  3. 执行子任务
  4. 反思评估
  5. 调整计划
  6. 循环到完成

影响:引发了 Agent 开发热潮,证明了自主 Agent 的可能性

局限:成本高、可能死循环、难以控制

BabyAGI ​

创造者: Yohei Nakajima

特点:专注于任务管理,自动创建、排序、执行任务

工作流程:

  1. 接收目标
  2. 生成任务列表
  3. 按优先级执行
  4. 根据结果创建新任务
  5. 循环到完成

应用场景:项目管理、研究助理、内容创作流水线

Claude Code ​

发布: 2024 年

特点:命令行集成、代码库理解、多文件编辑、Git 集成

为什么是 Agent:

  • 能感知:读取和理解代码库
  • 能决策:规划修改方案
  • 能行动:编辑文件、运行命令
  • 能迭代:根据错误调整

如何体验 AI Agent? ​

低代码平台 ​

Coze(扣子) - 字节跳动

Dify

GPTs

开发框架 ​

LangChain / LangGraph

AutoGen

CrewAI

体验建议 ​

初学者:

  1. 访问 Coze 或 Dify
  2. 创建一个简单聊天机器人
  3. 添加工具(搜索、计算等)
  4. 测试自主执行能力

开发者:

  1. 学习 LangChain 基础
  2. 用 ReAct 模式构建第一个 Agent
  3. 添加自定义工具
  4. 体验完整工作流程

本章小结 ​

AI Agent 本质上就是能自主感知、决策、行动的 AI 系统。它和传统 AI 助手的核心区别在于:AI 助手被动回答问题,AI Agent 主动完成任务。

核心三要素:

  • 感知:理解环境和需求
  • 决策:推理和规划
  • 行动:执行具体操作

基本工作流程:感知 → 规划 → 决策 → 行动 → 反馈 → 循环

应用场景已经覆盖个人助理、内容创作、软件开发、数据分析等多个领域。

关键术语:

  • Agent:能自主行动的实体
  • Perception:理解环境的能力
  • Reasoning:基于信息的决策过程
  • Action:执行具体操作
  • Tool Use:调用外部工具和服务
  • Multi-Agent System:多个 Agent 协作工作

思考题 ​

  1. 基础:用自己的话解释 AI Agent 和传统 AI 助手的区别

  2. 进阶:如果要构建一个"旅行规划 Agent",它需要哪些模块?每个模块做什么?

  3. 挑战:AI Agent 会带来哪些新的挑战和风险?(失控、隐私、安全等)应该如何应对?

实践探索 ​

初级体验:

  1. 访问 Coze
  2. 创建一个"新闻摘要 Agent"
  3. 添加搜索工具
  4. 测试自动获取和总结新闻的能力

中级挑战:

  1. 使用 LangChain 构建简单 Agent
  2. 实现一个"研究助手"Agent
  3. 功能:搜索、阅读、总结
  4. 参考: https://python.langchain.com/docs/modules/agents/

高级项目:

  1. 构建多 Agent 系统
  2. 角色分工:搜索者、分析师、总结者
  3. 实现 Agent 之间的协作
  4. 优化性能和准确性

扩展阅读 ​

推荐文章:

经典论文:

  • "ReAct: Synergizing Reasoning and Acting in Language Models" (2022)
  • "Reflexion: Language Agents with Verbal Reinforcement Learning" (2023)

实践框架:

视频资源:

下一章:我们将探讨为什么 AI Agent 被认为是未来的核心,以及它将如何改变工作和生活。

← 返回模块首页 | 继续学习:为什么 Agent 是未来? →

最近更新

基于 Apache 2.0 许可发布

Copyright © 2026-present Awesome Study Agent