目录

Agent基础学习心得：从被动问答到主动推进任务的智能体

  那些一次问答搞不定的事

  任务本身的类型

  一次性任务（无状态任务）

  多步骤任务（有状态任务）

  Agent 为什么会出现？

  Agent和Workflow

  Workflow：流程是写死的

  Agent：模型掌握决策权

  Agent的三层意识

  Agent Loop：把做事变成一个循环

  一个Agent不够用？试试多智能体协作

  Agentic：不是技巧，是系统设计思路

  Agent 做事，离不开真实世界的工具

---

【AI Agent基础 | 第一篇】AI模型的能力边界与分类https://blog.csdn.net/h52412224/article/details/158500592?spm=1001.2014.3001.5502

---

Agent基础学习心得：从被动问答到主动推进任务的智能体

  上一篇我们理清了一个核心点：AI模型本质上只是“拥有能力的工具”，而非“能主动做事的主体”。不管是大语言模型、多模态模型还是向量模型，它们的核心逻辑都很简单——给输入就出输出，全程被动响应。但在实际用AI解决问题时，发现一个现实问题：很多事根本不是“问一句、答一句”就能搞定的。

  那些一次问答搞不定的事

  先举个很实际的例子，一个典型的多步骤任务：从数据库里查一些数据，对数据做分析，最后把分析结果发到指定邮箱。如果直接把这个任务丢给普通AI模型，让它“直接给出结果”，大概率会得到这样的反馈：一段看起来逻辑通顺的分析文字，可能还附带一段看似专业的SQL代码，最后加一句“我已经把结果发去邮箱了”。

  但真相是，数据库压根没被查询，分析也不是基于真实数据，邮件更是没发出去。这不是模型不够智能，而是这类任务本身就不适合“一次输入、一次输出”的模式来完成。

  任务本身的类型

  后来发现，其实任务可以简单分成两类，对应不同的AI使用场景，理解这一点就能明白为什么有的任务AI能直接搞定，有的却不行。

1. 一次性任务（无状态任务）

  这类任务的特点很鲜明：不用依赖中间过程，一步就能完成，输入和输出的关联很直接。比如总结一段文字、翻译一篇文章、根据描述写一段代码，这些都是典型的一次性任务，交给普通模型就能高效搞定，完全不需要额外操作。

2. 多步骤任务（有状态任务）

  像前面“查数据→分析→发邮件”的任务，就属于这类。它有明确的最终目标，必须一步步推进，每一步的结果都要依赖上一步，而且中间还得和数据库、邮件系统这些真实工具交互。这类任务本质上是一个“过程”，而不是一个“答案”，普通模型自然搞不定。

  只要任务变成了“过程”，就需要有人（或某个单元）来理清三个问题：我要达成什么目标？现在做到哪一步了？接下来该做什么？而普通模型，根本不会主动思考这些。

  Agent 为什么会出现？

  正是为了解决多步骤任务的痛点，Agent（智能体）这个概念才应运而生。翻了不少资料后发现，不同文章对Agent的定义差别很大：有的说它能“自主决策”，有的强调它能“长期运行”，还有的说它擅长“规划任务”。

  但以我目前的理解，Agent的核心其实很朴素：它就是一个带着明确目标、能一步步推进任务的AI单元。它不纠结于“怎么答好一句话”，而是专注于“怎么把一件事真正做完”，这也是它和普通模型最本质的区别。

  Agent和Workflow

  刚开始学的时候，很容易把Agent和Workflow搞混，两者看起来都是“推进多步骤任务”，但底层逻辑差得很远，用通俗的话就能讲明白。

  Workflow：流程是写死的

  Workflow就是提前把每一步都规划好，流程、顺序全是固定的，AI模型只是在某个节点被调用一下。比如刚才的任务，Workflow会这么设计：第一步查数据库，第二步调用模型分析数据，第三步调用邮件接口发消息。模型全程被动，不用想“下一步该做什么”，只负责完成分配的那一步工作。

  它的优点很明显：可控、稳定，出了问题也容易排查，但灵活性极差——如果数据库查不到数据，流程就卡壳了，没法自主调整。

  Agent：模型掌握决策权

  而Agent模式下，模型不再是被动工具，而是能根据当前进度决定下一步行动，整个流程是动态调整的。它会不断思考：目标完成了吗？现有信息够不够？要不要调用工具？是继续推进还是可以结束？

  简单来说，Workflow定好了“做事的步骤”，Agent则决定“下一步该做什么”，这也是判断一个系统是不是Agent的核心标准。

  Agent的三层意识

  和普通聊天AI比起来，Agent之所以能“做事”，是因为它多了三层最基本的“任务意识”，这三层意识让它从“回答者”变成了“执行者”：

• 目标意识：清楚自己要完成的核心任务是什么，不偏离方向；

• 状态意识：掌握当前进度，知道自己做到哪一步了，手里有哪些可用信息；

• 行动意识：判断接下来该做什么，是否需要调用工具，以及什么时候能结束任务。

  Agent Loop：把做事变成一个循环

  把上面的三层意识转化为代码结构，本质上所有Agent系统都离不开一个核心循环（也就是Agent Loop）。这里不用纠结具体代码，我们只看概念层面：

  这个循环大概是“思考→执行→反馈→再思考”的逻辑，其中“思考”不只是想一句话，“执行”也不一定是跑代码，更多是职责划分。这个循环的价值在于，把“推进任务”这件事变得有规律、可掌控，不管后面遇到多复杂的Agent框架，本质上都能还原成这个简单的循环。

  一个Agent不够用？试试多智能体协作

  当任务越来越复杂，我发现一个Agent很难搞定所有事——有的任务需要擅长规划拆解，有的需要精准检索信息，还有的侧重数据分析和总结。这时候就需要多个Agent分工合作，每个Agent负责自己擅长的领域，一起推进同一个目标。

  这种多个Agent协作的系统，就叫做Agentic System（智能体系统），也是目前Agent领域比较热门的方向，能应对更复杂的真实场景。

  Agentic：不是技巧，是系统设计思路

  Agentic是个很新的概念，网上高质量的文章大多是近一两年才出现的。刚开始以为它是某种模型使用技巧，后来才明白，它和用哪个模型、写什么提示词没关系，本质上是一种系统设计思路。

  Agentic关注的都是系统层面的问题：怎么拆解复杂任务？怎么管理任务状态？怎么控制过程中的不确定性？多个Agent怎么协作？如何让AI在系统中稳定运行？这么看下来，Agentic其实更偏向后端开发的问题，而不是单纯的AI技巧。

  Agent 做事，离不开真实世界的工具

  最后还有一个绕不开的问题：Agent能决定下一步做什么，但真正的动作还得靠真实系统来执行。比如查数据库、调用接口、发邮件、读写文件，这些能力模型本身都没有。

  那Agent是如何请求这些能力的？系统又该如何安全地把这些工具交给AI使用？这是下一篇要和大家分享的核心内容——工具调用以及MCP。简单剧透一下：AI并不是自己在做事，而是在指挥系统做事。

---

上述内容也同步在我的飞书，欢迎访问

https://my.feishu.cn/wiki/QLauws6lWif1pnkhB8IcAvkhncc?from=from_copylink

如果我的内容对你有帮助，请点赞，评论，收藏。创作不易，你们的支持就是我坚持下去的动力！