什么是 Agent
给完全没接触过 Agent 的人的入门科普——用类比、对比、真实例子讲清楚。 看完这篇你能：理解 Agent 是什么、和 ChatGPT 有什么区别、它怎么干活、为什么 2024 年突然火。
阅读指南
- 完全新手 → 按顺序看一~七章
- 想直接看本质 → 跳【一】+【十】+【附录术语表】
- 关心和其他概念的区别 → 看【六】【七】
一、一句话讲清楚 Agent 是什么
Agent = 能自主感知环境、做出决策、执行行动来完成任务的 AI 系统。
听起来抽象，三个类比让你秒懂。假设你说：“帮我订今晚到上海的机票”
| 类型 | 类比 | 它的反应 |
|---|---|---|
| 传统软件 | 电视遥控器 | ”我只是个软件，你要点按钮才能下指令” |
| ChatGPT 类聊天 AI | 学识渊博的客服 | ”建议你去携程搜索，选东航或国航” |
| Agent | 能干活的实习员工 | ”好的，我去查”→（自己打开携程 API、对比价格、下单付款）→“已订,东航 19:30,确认号 ABC123” |
核心区别：
- 传统软件：机械响应（你按它就动）
- ChatGPT：只动嘴（给建议但不能下单）
- Agent：能动手（拿到目标后自己规划 + 执行 + 反馈）
💡 关键词：自主性（Autonomy）+ 能干活（Action）。
二、Agent 的基本结构 —— 三段循环
所有 Agent 的内核都是这个闭环：
┌──────────┐ ┌──────────┐ ┌─────────┐
│ 感知 │ → │ 推理决策 │ → │ 行动 │
│Perception│ │Reasoning │ │ Action │
└──────────┘ └──────────┘ └─────────┘
↑ │
└────────── 看反馈 ───────────────┘
类比人完成任务的过程：
- 看到 / 听到（感知）
- 想一下怎么办（推理）
- 动手做（行动）
- 看做得对不对（反馈）
- 再想 → 再做……直到任务完成
2.1 感知（Perception）：信息输入
Agent 从哪里”看到”信息？
- 用户输入：你的问题或指令
- 工具返回：调用 API / 读文件得到的结果
- 环境状态：当前所在目录、时间、外部数据
- 历史记忆：之前发生过什么
2.2 推理（Reasoning）：决策大脑
这一步就是 LLM——Agent 把感知到的信息丢给大模型，让它判断：
- 下一步该做什么？
- 要不要调用工具？调哪个？
- 任务完成了吗？
⚠️ 这是 LLM Agent 与传统机器人最大的区别——推理由通用 LLM 完成，所以能处理任意领域的任务。老式 Agent（玩棋的 AlphaGo）的”推理”是写死的，换个领域就完全不会。
2.3 行动（Action）：执行操作
LLM 决定后，Agent 真正”动手”：
- 调用 API（订机票、查天气）
- 操作文件（读、写、改代码）
- 执行命令（运行 Python、跑测试）
- 输出结果给用户
三、Agent 的 4 大核心能力
光有三段循环还不够，强大的 Agent 还需要 4 大支柱能力：
3.1 Tool Use（工具调用）—— 让 LLM 能动手
没有工具的 LLM = 只会动嘴的天才（知道答案但不能帮你执行） 有工具的 LLM = 能动手的助手
| 工具 | 让 Agent 能干什么 |
|---|---|
| 文件读写工具 | 改你电脑上的代码 |
| Bash 工具 | 运行命令、跑测试 |
| Web 搜索工具 | 查实时信息 |
| API 调用工具 | 接入外部服务（订机票、发邮件） |
| 数据库工具 | 查/改数据库 |
💡 Tool Use 是 Agent 区别于普通 LLM 的最核心特征——没有它就不算 Agent，只能算”会聊天的 AI”。
3.2 Memory（记忆）—— 跨轮不忘事
| 记忆类型 | 作用 | 例子 |
|---|---|---|
| 短期记忆 | 当前会话上下文 | 你 5 分钟前说过的话 |
| 长期记忆 | 跨会话持久化 | 你的偏好、项目历史、学过的经验 |
类比：
- 短期记忆 = 你脑子里的”工作内存”（聊完会忘）
- 长期记忆 = 你的笔记本（写下来下次还能看）
拓展阅读：本知识库 上下文窗口与 Token 计费 详细讲了短期记忆的物理基础。
3.3 Planning（规划）—— 把大任务拆小
用户说”帮我做个个人博客网站”，Agent 不会一上来就写代码，而是先拆：
任务："做个个人博客网站"
│
├─ 子任务 1：设计页面结构
├─ 子任务 2：选技术栈（决定用 Next.js）
├─ 子任务 3：写代码（页面/路由/样式）
├─ 子任务 4：本地测试
└─ 子任务 5：部署到 Vercel
每个子任务还可以再拆。这就是 任务分解（Task Decomposition）。
3.4 Reflection（反思）—— 自己检查自己
聪明的 Agent 会：
- 写完代码 → 自己跑测试 → 发现失败 → 分析原因 → 改
- 输出答案前 → 自己检查一遍是否合理 → 不合理就重来
类比：好员工不会做完就交差，会自己 review 一遍。
四、一个真实例子 —— Claude Code 怎么完成”修 bug”
走一遍完整的 Agent 闭环。
用户输入：登录页报 500 错误，帮我修一下
回合 1：
├─ 感知：读取用户问题
├─ 推理（LLM）：要先看错误日志和相关代码
└─ 行动：调用 Read 工具读 logs/error.log
回合 2：
├─ 感知：日志显示 "TypeError: Cannot read property 'id' of undefined"
├─ 推理：bug 在 user 对象未定义时还在访问 user.id
└─ 行动：调用 Grep 找出涉及 user.id 的文件
回合 3：
├─ 感知：找到 src/auth/login.ts:45
├─ 推理：需要加判空逻辑
└─ 行动:调用 Edit 工具修改代码
回合 4（反思）：
├─ 感知：修改完毕
├─ 推理：要验证修复是否成功
└─ 行动：调用 Bash 工具运行测试
回合 5：
├─ 感知：测试通过
└─ 输出：报告用户"已修复，问题在 login.ts:45 缺少判空"
对比 ChatGPT 时代：
你说”修 bug” ChatGPT：“我不能直接看你的代码，请把相关代码和错误日志贴给我” （你贴上）“问题可能是…你试试这样改” （你按它说的改完）“还报错” ChatGPT：“那再试试…” ——你成了它的”手”，反复粘贴
而 Agent 是 它有手——自己读、自己改、自己测、自己反思。
五、Agent 不是新概念 —— 为什么 2024 年突然火？
5.1 Agent 的前世
| 年代 | 形态 | 例子 |
|---|---|---|
| 1980s | 专家系统 | MYCIN（医疗诊断决策树） |
| 1990s-2000s | 强化学习 Agent | DeepBlue（IBM 下棋打败卡斯帕罗夫） |
| 2010s | 深度强化学习 | AlphaGo（Google 围棋打败李世石） |
| 2020s | LLM Agent | Claude Code、AutoGPT、Devin… |
老 Agent 的局限：只能在狭窄领域搞（下棋、玩游戏），换个任务就完全不会。
5.2 LLM 的关键突破
LLM（GPT-4、Claude 等）解决了老 Agent 时代的核心瓶颈：通用推理能力。
老 Agent 时代：
规则系统 / 强化学习 → 只能解决预定义的特定任务
LLM Agent 时代：
LLM = 通用世界知识 + 通用推理 → 能处理任意语言任务
具体进展节点：
- 2022 ChatGPT：让 LLM 能聊天
- 2023 Function Calling：让 LLM 能调用工具（关键节点！）
- 2024 多模态 + 长上下文：Agent 能看图、能记更多事
- 2025-2026 Harness Engineering：工程化把 Agent 做成生产可用
📌 一句话：之前缺的是”会推理的大脑”，LLM 给了；之前缺的是”能动手的接口”，Function Calling 给了。两者一结合 → Agent 火了。
拓展阅读：本知识库 Agent 发展轨迹四阶段 详细讲了”Prompt → Reasoning → Context → Harness”四阶段演进史。
六、常见误区（小白最容易踩）
| 误区 | 正解 |
|---|---|
| Agent = 多轮对话 | ❌ 多轮对话只是”记忆”，没有自主行动；ChatGPT 也能多轮对话 |
| Agent = Function Calling | ❌ Function Calling 是技术实现，Agent 是更完整的系统（含规划、记忆、反思） |
| Agent = 自动化脚本 | ❌ 脚本流程固定，Agent 根据情况动态决策 |
| Agent = AGI | ❌ Agent 只是 AI 应用形态，距通用人工智能还远 |
| Agent 越复杂越好 | ❌ 简单任务用 Workflow 反而更稳定，Agent 是为不确定流程设计的 |
| Agent 一定要多个 LLM 协作 | ❌ 单 Agent 也算 Agent，多 Agent 是复杂场景的优化 |
| Agent 必须能上网 | ❌ 工具是按需配置的，本地工具（读文件、跑命令）也算工具 |
七、Agent vs 其他概念
7.1 Agent vs Workflow（工作流）
| 对比项 | Workflow | Agent |
|---|---|---|
| 流程 | 预先定义、固定 | LLM 动态决定 |
| 路径 | 静态（A→B→C） | 动态（每步看情况） |
| 适合 | 流程稳定（OA 审批、ETL） | 流程不确定（修 bug、研究问题） |
| 可控性 | 高（流程图清晰） | 中（黑盒推理） |
| 灵活性 | 低 | 高 |
| 稳定性 | 高 | 中（LLM 可能跑偏） |
💡 业界共识：能用 Workflow 解决就别用 Agent。Agent 是处理”流程没法预先画出来”的情况。
7.2 Agent vs LLM
LLM = 大脑（只会推理输出文字）
Agent = LLM（大脑）
+ 工具（手脚）
+ 记忆（笔记本）
+ 规划（任务清单）
+ 反思（自我 review）
LLM 是 Agent 的核心组件之一，但不等于 Agent。
7.3 Agent vs Copilot
| 维度 | Copilot（副驾驶） | Agent（代驾） |
|---|---|---|
| 谁主导 | 人主导，AI 辅助 | AI 主导，人确认 |
| 类比 | 副驾驶给方向建议 | 代驾自己开 |
| 例子 | GitHub Copilot 补全代码 | Claude Code 自己写代码 |
| 用户工作量 | 多（每步都要参与） | 少（只给目标） |
| 适合任务 | 提速重复性工作 | 完成端到端任务 |
💡 演进趋势：Copilot → Agent。从”AI 帮你”到”AI 替你”。
八、Agent 的几种典型形态
8.1 ReAct 模式（最常见的”骨架”）
Reasoning + Acting 的循环：
Thought（思考）: 我需要查一下天气
Action（行动）: 调用天气 API
Observation（观察）: 北京今天 25 度，多云
Thought: 现在我知道了，可以回答用户
Action: 输出最终答案
这是大部分 Agent 的”骨架模式”，Claude Code、AutoGPT 等都基于它。
8.2 单 Agent vs 多 Agent
| 类型 | 特点 | 适合场景 |
|---|---|---|
| 单 Agent | 一个 Agent 干所有事 | 大部分场景（Claude Code 默认） |
| 多 Agent | 多个 Agent 分工协作 | 复杂任务（CEO Agent 派 PM Agent 派 工程师 Agent） |
多 Agent 不是”越多越好”——多 Agent 之间的通信成本、上下文同步、错误传播都是新问题。90% 场景单 Agent 就够。
🔗 想看真实的 7 人 Multi-Agent 系统怎么协作、Persona 文件怎么写、共享真相源怎么落地?读 Multi-Agent 工程实战与 Persona 设计——本节抽象对比的工程化延伸。
8.3 被动 Agent vs 主动 Agent
| 类型 | 特点 | 例子 |
|---|---|---|
| 被动 | 等用户指令才动 | ChatGPT、Claude Code |
| 主动 | 长期跑、自己监控、自己触发 | 监控告警 Agent、定时巡检 Agent |
九、知识库内的学习路径
如果你想继续深入，按这个顺序读：
第一站（你在这里）
└─ 什么是Agent.md ← 概念入门 ⭐ 你正在看的
│
第二站（历史）
└─ Agent发展轨迹四阶段.md ← Prompt → Reasoning → Context → Harness 演进
│
第三站（工程）
└─ Harness工程与Agent解剖.md ← Agent = Model + Harness 的工程视角
│
第四站（质量）
└─ Eval测评体系.md ← 怎么衡量 Agent 好不好
│
第五站（安全）
└─ Agent安全攻防.md ← 30 种攻击 + 17 种防御
十、一句话终极总结
Agent = LLM + 工具 + 记忆 + 规划 + 反思
不是”会聊天的 AI”，而是 “能干活的 AI 实习员工”——你给它目标，它自己感知、决策、行动，直到完成。
附：核心术语速查
| 术语 | 中文 | 含义 |
|---|---|---|
| Agent | 智能体 | 能自主完成任务的 AI 系统 |
| Tool Use | 工具调用 | LLM 调用外部函数/API 的能力 |
| Function Calling | 函数调用 | Tool Use 的具体技术实现（OpenAI 2023 提出） |
| ReAct | 推理+行动 | 最常见的 Agent 工作模式 |
| Memory | 记忆 | 跨轮/跨会话保存信息 |
| Planning | 规划 | 把大任务拆成小步骤 |
| Reflection | 反思 | Agent 自我检查与修正 |
| Multi-Agent | 多智能体 | 多个 Agent 协作 |
| Workflow | 工作流 | 预定义流程的自动化 |
| Copilot | 副驾驶 | 辅助型 AI（如 GitHub Copilot） |
| Harness | 脚手架 | Agent 中除模型外的所有工程基础设施 |
| Perception | 感知 | Agent 接收输入信息的环节 |
| Reasoning | 推理 | Agent 用 LLM 做决策的环节 |
| Action | 行动 | Agent 执行操作的环节 |