本文全面介绍AI智能体的概念、分类、工作流设计与开发方法，解析其与直接使用大模型的区别及适用场景。详解智能体四大设计模式（Reflection、Tool Use、Planning、Multi-agent协作）和开发流程，从需求分析到界面设计，提供构建AI智能体的完整知识框架，助开发者掌握2025年AI智能体核心技术。

---

今年AI智能体特别火，很多人把2025年称为智能体元年。我不知道你们怎么想，反正我是特别怕落后于时代，特别怕错过风口，所以赶紧学了一些智能体的知识。跟大家分享一下。

1、什么是智能体

先抛我浅薄的理解：能调用AI大模型来解决某个问题的软件系统，就叫AI智能体。

现在有很多媒体对“智能体”的概念特别较真儿，认为不能自主安排任务，智能程度没那么高的，就不叫智能体。

我找了找权威的定义，找到一份Gartner的报告。他是按智能程度的不同，定义了三个概念。下面是报告的原图。

Gartner认为，智能体可以分为三类：

（1）AI assistants（AI助手）：这种是智能程度最低的。例如，我通过“聊天”，用自然语言，让AI助手帮我写SQL语句，查询数据库。AI助手只能由人引导，完成特定任务。

（2）AI Agent（AI智能体）：“AI智能体”需要有一定的自主性。例如，我让AI帮我输出一篇关于“黑洞”的论文。AI智能体会“自主”安排三个步骤，来完成任务：一是搜索素材，二是把汇总撰写，三是文字校对。

（3）Agentic AI（代理式AI）：从Gartner这个图上来看，Agentic AI是包含AI agents的。Agentic AI概念更宽泛一些，只要不是纯聊天，而是能利用AI帮我们执行某项任务的，都算作Agentic AI。从名字上看，Agentic有“代理”的意思，就是说“能代替人类做事儿的AI”，就可以算Agentic AI。

最近吴恩达老师发布了一门“Agentic AI”课程，我觉得是目前最权威的课程了。

吴恩达老师对Agentic AI的定义，跟Gartner类似。不过吴老师还补充了一个建议——其实不必发明这么多新名词，大家都叫Agentic AI就完了。有的自主化程度高一些，有的简单一些，都很有价值啊，没必要区分。

2、什么是智能体工作流

简单说，智能体工作流就是智能体完成任务的步骤和流程。比如，智能体要完成 “写论文” 这个任务，就要拆分成“调研->撰写->校对”等步骤。

做智能体的关键就是如何把复杂任务，拆解成多个小步骤，让智能体工作流一步步执行，最终得到用户想要的结果。

当前，我们提到“搭建工作流”的时候，常指一种更高效的方式：通过可视化的“工作流编辑器”，无需大量编码，直接通过简单的拖拽，设置智能体的执行逻辑。

n8n是一款典型的工作流自动化工具，下面就是n8n的截图。

它可以很简单——接收消息，处理后自动返回邮件；也可以很复杂——设置条件判断、循环、嵌套等复杂逻辑。

国内字节的Coze平台比较知名，下面是一个自动生成PPT的工作流的截图。

3、几类常见的智能体

（1）轻量小工具

提到个人开发的智能体，很多时候我们联想到的就是这类功能比较单一的小工具。例如，AI算命、生成换脸视频、自动写需求文档等等。

好多自媒体宣传，有人靠做这种工具，在国外挣了大钱。也有人说，用AI做这些，就是没人会用的垃圾。

下图为通过AI算命，找到“正缘男友”的视频截图。左边是算命智能体的界面，右边是男友照片。

这类工具的痛点是“用户留存低”—— 如果想做，别只做‘单次功能’，要延伸后续服务，不然容易成“一次性工具”，赚不到长期的钱。

（2）成熟的商业化产品

像AI编程、AI绘图、AI视频等类别的产品，已经进入成熟期了。MidJourney、GitHub Copilot、Sora 2.0等明星产品都已经进入规模化盈利阶段。

这些产品，从概念上讲，属于智能体。但这些厂商宣传的时候，都没有贴“智能体”这个标签。用户偏向于认为这些是AI模型，或者AI产品，较少把这些产品归类为AI智能体。可能是智能体的这个概念太技术了，所以大众接受度比较低吧。

下图为Sora2生成的宣传视频的截图（Sora2是目前世界上仿真程度最高的AI视频模型）。

（3）通用大模型中的智能体

现在的通用AI模型融入了很多智能体。我们常用的豆包、元宝、通义、kimi等，现在不仅能聊天儿，还能生成音乐、生成图片、生成视频等等，能干很多事儿了。

原来有一类智能体，是做AI辅助阅读的，我前几天还想做一期评测来着，后来发现，这类细分能力已经被整合了。阿里的“通义智文”就已经合并到通义APP，变成一个阅读助手功能了，见下图。

（4）小Baby智能体

通用大模型产品里面，还有一种“用户自定义”的智能体。这类智能体其实就是给AI设定一些提示词，没有复杂的工作流。豆包用户就可以创建这类智能体，有帮人写好评的，有帮人分析感情的……见下图。

很多懂技术的人可能会认为这个太简单，跟前面这几类相比，只能算一个还在上幼儿园的“小baby”智能体。

（5）基于浏览器/桌面操作的智能体

今年智能体大火，始于年初发布的Manus。Manus是一种将AI与浏览器结合的产品，可以替人类操作电脑、操作浏览器，完成一些复杂的任务。

例如，这类智能体可以根据指令，自动打开网站，帮我订票，省掉了我手动操作浏览器的过程。

下图是Manus界面，左边用户聊天告诉AI写一篇报告，右边Manus自动启动云浏览器，搜索信息、打开网页、复制文字和图片素材。

（6）企业级AI智能体

有一些智能体是专门面向企业开发的。例如，AI辅助做客服，AI自动生成商业数据分析报表、AI自动运维IT设备等等。

这类智能体一般要跟企业现有系统、知识库对接，所以落地难度很高。

4、用智能体跟“直接用大模型”有什么不一样

智能体也是基于通用大模型构建的，但它更专注于某个任务，而且比大模型多了调用工具的能力。例如，AI编程智能体，生成代码后，可以本地运行代码，如果有报错，就自动改进，修复bug，最后改进过的代码比第一版质量更高。

咱们看看跑分数据。下图是HumanEval对通用大模型和“编程智能体”（使用同样的模型）的代码编写能力的评分。

看图中的两条横线，第一条横线上，除了最左边的点是GPT3.5的得分，其他都是基于GPT3.5的智能体的得分。

明显看到，得分最低的就是纯大模型（48分），所有智能体得分都高于纯大模型（都在70分以上）。

而且，即使模型升级到GPT 4（67分），得分还是不如基于GPT 3.5的智能体，更不用说基于GPT 4的智能体了（都在80分以上）。

5、哪些场景适合智能体

理论上所有的场景都可以用AI重做一遍。不过目前受限于成本，还有AI的智能水平，有一些场景不太适合智能体。

做智能体之前，应该考虑以下几个因素：

（1）成本：智能体如果使用第三方模型API的话，需要按token付费。也就是说如果没法从用户身上收钱的话，就是做赔本买卖。

（2）不可靠性：AI幻觉难以避免，前段时间德勤公司就因为做的咨询报告中存在AI编造内容，被客户退款了。在监管严格的行业，智能体必须谨慎使用，采取足够的验证措施。

（3）实时性：AI目前是很慢的，我做过一个检测“敏感数据”的智能体。基本上检测一个文件需要几分钟。所以，没法做到实时检测员工外发的每一个文件，只能制定一个流程，重要系统的文件外发前，要求走一遍申请检测流程。

（4）数据：AI智能体要产生好的效果，需要足够的数据，以及跟必要的系统做好对接。不然硬做出来效果不好，准确率低，没人使用，那就尴尬了。

6、怎么设计智能体工作流

找到适合的场景之后，下面就开始设计、开发智能体。

设计智能体“工作流”的过程就是参考人类做事儿的步骤，看这些步骤能否用AI模型或工具替代。

例如，人类在写文章的时候，会先列提纲，然后在网上搜索资料，然后再汇总写出文章。

用智能体做呢，也是这些步骤——把问题提交给大模型，先让大模型去写出提纲，然后再调用搜索引擎API去搜索资料，再用大模型去汇总写文章。这就是一个简单的工作流。

再比如，咖啡店的老板要生成一个“销量对比图”。可以先让大语言模型读取数据，再生成画图的代码，最后调用统计画图工具执行代码，生成图表。

前面两个例子里面，我们拆解工作流的时候，细分步骤要么由大模型来完成，要么由大模型调用工具来完成。

下面是一些常见的模型和工具，供大家参考。构建工作流就是像拼积木一样把下面这些模块拼起来。

7、智能体四大设计模式

面对简单场景，我们可以凭借直觉逐步拆解工作流，从而满足需求。但遇到复杂场景时，则需要运用更高级的方法论 —— 设计模式。接下来将介绍业内较为通用的 4 种设计模式。

（1）Reflection模式【特色：迭代优化输出内容】

Reflection模式的核心是让大模型自我迭代，优化输出质量。人类写文章的时候会先写初稿，再写二稿……反复迭代修改，最后到终稿。智能体像人一样，迭代出来的东西质量更高。

下面以生成代码的智能体为例，看看它是怎么迭代的。

第一回合，用户给出一个需求，大模型输出一段代码，这段代码先别急着给用户。

第二回合，引入另一个大模型，让他去评估第一个大模型的代码里面有没有错误，把结果反馈给第一个大模型，让他优化。

第三回合，第二个大模型尝试运行一下输出的代码。 把报错信息再反馈给第一个大模型，让他迭代优化。

……

几次之后，最终给用户的代码，就基本没有bug了。这就是引入一个迭代反思的过程，从而提升模型输出质量的“Reflection设计模式”。

再看一个生成图表的例子，通过“Reflection设计模式”，引入一个反思过程，让大模型提升输出图表的质量。

下图黄色方框中是给“反思大模型”的提示词，右侧是第一版图表和第二版图表的改进效果。

（2）Tool Use模式【特色：拓展能力边界】

Tool Use模式，就是我们提供给智能体提供一些工具（API接口、函数等），让智能体利用工具完成任务。

例如，给智能体三个工具：“查询日历”、“创建会议”、“取消会议”，并且告诉智能体：“可以利用这些工具{工具列表}，满足用户需求。”

用户让智能体“找个空闲时间，跟Jack约个会”。智能体就可以先用“日历查询”工具，找到空闲时段。再用“创建会议”工具，发出创建会议的邀请。

有了调用工具的能力，智能体就可以适用于更多用户场景。常用工具的包括：搜索引擎、数学计算、数据分析、数据库查询、对接电子邮件、日历、发消息、图像处理、OCR图像识别等等。

（3）Planning模式【特色：自主规划步骤】

Planning模式就是让大模型决定调用工具的流程和顺序。例如，让一个智能体根据我上传的照片，生成一个女孩读书的图片，并且生成一段语音描述。这就需要用到Planning模式。

在这个例子中，智能体要按正确的顺序，进行处理。先找到“姿势识别”工具，识别用户上传照片中男孩儿的姿势。然后，照此生成相同姿势的女孩图片。最后，根据图片内容生成一段描述性的文案，并转换成语音。

（4）Multi-agent collaboration【特色：虚拟团队协作】

Multi-agent collaboration模式就是管理多个智能体，协作完成任务。比如，你要做一个市场宣传册，那你可以虚拟出一个“设计师”智能体，一个写文案的智能体，虚拟出一个负责排版的智能体，一起来完成这个宣传册。

下面这个图是一个叫chat dev的智能体，它虚拟出了一个“公司”，有开发、有产品、有测试、有经理……

用户提出需求，这些小虚拟“人”就开始工作。每个人都可以去找其他人沟通、反馈。所有人互相交流一段时间，当所有人都宣布自己工作已完成的时候。最终的产品就开发完成了。

多智能体是更前沿的模式，应用相对较少。因为它产出的东西确实是比较混乱，很难保证稳定的效果。

8、如何设计智能体的界面

大部分人首先想到的，一定是设计成聊天界面。聊天界面确实好用，但有些场景，传统的表单和按钮交互更有效率。所以，最好是设计成一种“混合”模式。

例如，打车场景，用户想打车到“附近最好的烤串店”，那就先给用户一个聊天界面，描述其个性化需求，再通过“地图、列表、按钮”的组合，来让用户查看信息，确认目的地。

有些场景，要规范用户的输入，那就设计一个表单，让用户填写。避免用户输入内容过于宽泛，导致输出质量变差，甚至系统出错。

聊天界面适合于让用户描述需求，“确认和编辑内容”最好使用传统界面。例如，让用户用自然语言，生成一个统计报表。接着让用户通过点击和输入，手动微调图表类型、颜色样式。

9、怎么开发智能体？

（1）开发流程，开发智能体跟开发普通产品一样，也是“需求-开发-测试-上线-维护”这样的流程。

不一样的是，大模型输出的东西往往不可控，所以最好尽快构建一个最小化版本，进入测试和评估流程，“小步快跑”式逐步迭代。

（2）技术栈，可以采用 LangChain / LangGraph等开发框架，快速构建智能体的执行逻辑，集成AI模型（对接API或自研微调模型）、工具（API 接口、MCP等）、知识库。再叠加传统架构组件（微服务、中间件、数据库），组成完整方案。

如果只需要“简单的逻辑”、“单轮问答”的能力，直接在现有产品逻辑中，嵌入大模型API也是可以的。

产品经理可能没必要懂太多技术，我也讲不出来太多。我转一张图，感兴趣的同学可以了解一下常用的技术组件。

10、如何评估智能体的效果？

传统软件输出的结果一般是确定的。我们要评价它的准确率很容易。例如，语音识别，对了就是对了，错了就是错了。

智能体输出则比较难评。模型输出的文章、图片，要怎么来评价它的好坏呢？

一个常用的方法叫“LLM as a Judge”，就是引入另一个大语言模型，作为“评判官”。

例如，评估一个生成“销售统计图”的智能体时，我们给“评判官”模型一份如下图这样的提示词，让他对智能体1.0版本和2.0版本的输出分别打分。就可以评估出2.0是否有所改进。

如果我们发现智能体的效果很差，那怎么改进呢？

首先，应该先找到问题的根源。

例如，一个智能体最后输出的文章效果不好。那可能是没有找到合适的素材，也有可能是汇总时有曲解和疏漏。只有针对单个组件分别测试，才能找到真正的问题点。

下图列出了例子中各环节可能出现的问题。

找到问题之后，就可以进行改进了。

一般来说，如果是模型的问题，那我们可以尝试调整提示词，或者尝试更换智能水平更高的模型。

如果所有模型都表现得比较吃力。那有可能是这个场景太复杂了。这个时候我们可以尝试着把步骤进行拆分，把原来的一个步骤，分成多步来解决。

如果这个场景确实是比较特殊，其他改进方法都试了无效，那可以尝试微调模型。如果我们手头有足够的训练数据的话，就可以拿数据对模型进行二次训练。微调的成本会比较高，这招慎用。

如果发现不是模型的问题，而是工具的问题，那我们可以尝试调整工具的参数，或者更换厂商。例如，某个搜索引擎的结果不好，那可以换成其他家的搜索引擎；人脸识别的准确率不行，那可以调整模型的参数、阈值。

总结

以上从概念、设计、开发到测试，就是我总结的智能体相关核心要点，希望能对大家有帮助。如果有意见或建议，欢迎随时留言。也欢迎关注我，了解AI时代产品经理需要掌握的关键知识。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】