智能体来了：当AI开始"主动做事"

第1章 智能体来了：当AI开始"主动做事"

1.1 一个让人困惑的问题：ChatGPT到底算不算智能体？

2023年春天，我的一位程序员朋友陷入了一种奇怪的焦虑。他用ChatGPT写代码、起名字、写周报，甚至让ChatGPT帮他解释那段他看不太懂的祖传代码。某天晚上他突然问我："你说，ChatGPT算不算智能体？我看新闻里天天说AI Agent时代要来了，可我手里这个明明就是个聊天框啊。"这个问题困扰了他好几个晚上。

如果你也是这么想的——一边觉得ChatGPT已经很厉害了，一边又被"智能体"这三个字绕得有点晕——那恭喜你，你问出了这本书最核心的问题。

在接下来的内容里，我会用一整章的篇幅，把"智能体"这三个字彻底拆清楚。你会明白：为什么ChatGPT不算智能体？为什么传统的计算器、计算程序也不是智能体？什么才是真正的智能体？而且更重要的是——你已经能用上的一些产品，其实早就暗暗地"智能体化"了，只是你没意识到。

我会尽量少抛概念，多讲人话。这本书的最终目的是让你亲手做出一个能干活、会自己想办法的AI。但在做出它之前，你得先弄明白：它和你已经认识的那些AI，到底有什么不一样。

1.2 智能体是什么？先给个靠谱的定义

学术圈对"智能体"（Agent）这个词的定义有好几套说法，我挑一个最干净、最容易懂的版本给你：

智能体，是一个能感知自己所处的环境、自主做出决定、并采取行动去达成某个目标的AI系统。

你把这个定义拆开，会发现里面藏着三个动作：感知、决策、动作。我们一个个看。

感知，意思是它能"看到"周围发生了什么。这里的"周围"不一定是物理世界，对一个软件智能体来说，它的环境可能是你的电脑桌面、你浏览器的当前页面、一个数据库的状态，甚至是聊天框里你刚发来的那句话。

决策，是说它会根据感知到的信息，自己琢磨出一个方案。注意这个"自己"——关键不在于方案有多聪明，而在于这方案不是程序员提前写死的，是它在那一刻临时想出来的。

动作，是说它会把这个方案落到行动上。在物理世界里，机器人伸出机械臂抓杯子，这就是动作。在软件世界里，它可能是帮你点了一下鼠标，也可能是在某个网站上下了一笔订单，也可能是在你的代码仓库里提交了一段补丁。

把这三个动作串起来，再加上"目标"这个前提——一个完整的智能体就出现了：为了达成目标X，它去感知环境、做出决策、然后执行动作；如果动作结果没达到目标，它还会再感知、再决策、再动作，一直循环下去，直到搞定为止。

这听起来是不是特别像一个努力工作的员工？没错。这个比喻不是巧合，AI研究者当年就是从"代理人"（Agent这个词的本意就是代理人、受委托做事的人）这个词里找到的灵感。所以你看，智能体的本质没那么玄乎，它就是一个能给自己"派活儿"的AI。

不过，光看定义还是有点抽象。咱们继续往下，用三组对比把这个概念"打"实在。

1.3 三组对比：看清智能体的"超能力"

1.3.1 传统程序 vs 智能体：被动执行 vs 主动决策

我们先来拆解最根本的一组对比：传统程序和智能体，差在哪里？

我举个生活里最常见的例子——计算个人所得税。

你可以写一个传统的程序，输入"月收入"和"五险一金"，程序按照国家税务总局发布的税率表，用一连串`if-else`判断，输出"应缴个税"。这个过程里，程序完全是按部就班：你给它什么，它就老老实实用那套规则算一遍。它不会问你"你确定要这么算吗"，不会主动提醒你"你可以填一些专项扣除"，更不会在你忘记输入某项数据的时候自己想办法去查。

这种程序，本质上是程序员把所有可能的情况提前想好，然后让程序按剧本走。剧本里没写的情况，程序要么报错，要么给你一个明显错误的结果。它是被动执行指令的工具。

现在想象一个"智能体版"的个税助手。你对它说："帮我算一下我今年要交多少税。"它会怎么做？它可能会问你："你今年的收入构成是什么样的？有几家公司给你发钱？"然后它可能会主动去查最新的个税专项附加扣除政策；然后它可能会根据你的描述，建议你别忘了申报"大病医疗"或者"房贷利息"扣除；最后它才会给你一个数字。

这两种东西差在哪儿？传统程序是"你告诉它做什么，它就做什么"，而智能体是"你告诉它一个目标，它自己想办法怎么做到"。 前者的智慧来自写代码的人，后者的智慧来自它自己。

我用一张图来直观展示这种工作方式的差别：

```mermaid flowchart LR A[用户输入] --> B[传统程序] B --> C[固定的<br>if-else逻辑] C --> D[预设输出]

E[用户目标] --> F[智能体] F --> G[感知环境] G --> H{规划策略} H --> I[执行动作] I --> J[检查结果] J -->|未达成| G J -->|已达成| K[交付结果] ```

你可以明显看出：传统程序是一条从左到右的直线，流程是死的；而智能体是一个循环——感知、决策、动作、检查结果，再回到感知，直到把事儿办成。这种"闭环自我调整"的能力，是智能体最核心的特征之一。

1.3.2 聊天机器人 vs 智能体：一问一答 vs 目标导向

接下来这组对比，是很多人最容易搞混的——ChatGPT这样的聊天机器人，和智能体的区别在哪儿？

我和朋友争论过好几次这件事。表面上看，ChatGPT也能感知（你输入的文字）、也能决策（它生成回答）、也能动作（把文字吐出来）。但如果你仔细看，会发现一个本质区别：聊天机器人是一问一答的，而智能体是目标导向的。

什么意思呢？聊天机器人是一种"反应式"系统：你问一句，它答一句；你不问，它就闲着。智能体不一样，它拿到的是一个目标，然后它会主动拆解这个目标、自己安排步骤、必要时主动调取工具、甚至催你提供它需要的信息。

举个例子：你让ChatGPT帮你订一张下周去上海的高铁票，它会礼貌地告诉你："请提供你的出发地、日期、座位偏好……"然后等你说。这一步一动一下，没有它主动发起的事。

但你让一个智能体订票，它可能会这样工作：

1. 它先问你要出发地、日期； 2. 它去12306网站查一下当天的车票情况； 3. 它发现上午9点的票快卖完了，主动问你要不要改订8点； 4. 你说"行"，它就去下单； 5. 下完单它告诉你："票订好了，记得提前1小时到车站。"

看到了吗？智能体有一份"内心的工作清单"，它会自己排优先级、自己决定下一步做什么。聊天机器人则更像一个应答机器，没有这种自我驱动的"工作流"。

还有一个更本质的区别：聊天机器人通常是无状态的。所谓无状态，就是它不记得上一轮你说过什么，也不记得十分钟前你们聊过什么（如果你开一个新对话，它就完全忘了你是谁）。智能体不一样，它有记忆——至少要记得当前这个任务的目标是什么、已经做了哪些步、还差什么没做。这种"工作记忆"是它能推进一个复杂任务的基础。

所以你可以把聊天机器人想成一个有问必答、但从不等你想问什么的图书管理员；而智能体更像一个接了你项目的外包同事，他记着你们定的deadline，记着你说要做的几件事，然后他会主动来问你进度、催你提供材料、必要时自己想办法克服困难。

1.3.3 普通软件 vs 智能体：写死的逻辑 vs 动态规划

第三组对比，是从"软件工程"的角度看：同样是软件，普通软件和智能体的差别在哪？

我做了十几年程序员，对这一点的感受特别深。普通软件的逻辑是程序员在写代码的时候就定死的。比如一个外卖App的"下单流程"，程序员会提前想好：用户选商品→选地址→选支付方式→确认订单→支付成功。这是写死在代码里的。哪怕今天某个用户有点特殊需求——比如他想在备注里写"放门口别按门铃"——这个需求也必须是产品经理提前想到、写进需求文档、然后程序员把它编码进去。用户才能用。

普通软件有一个隐含假设：所有可能遇到的情况，都能在开发阶段被预见到。这个假设在大多数场景下都成立，毕竟我们日常用的App功能都相对固定。但它有一个明显的短板——只要现实里冒出一个写代码时没设想到的情况，软件就傻眼了。

智能体打破了这个假设。智能体不是在"按剧本演戏"，而是在"现场发挥"。它每次面对一个任务，都会根据当时的具体情况，自己规划出一条路径。这条路径是临时生成的，不是程序员事先写好的。

我拿"自动写代码"这件事来举个例子。一个普通的代码补全工具（比如很多编辑器里那个简单的Tab补全），它只能在你敲了几个字母之后，根据已有的变量名和函数名做简单的联想。程序员没在它的字典里收录的东西，它永远不会补。

而一个基于智能体的编程助手（比如Cursor里那种Agent模式），你可以直接告诉它："帮我看看这个项目里有没有内存泄漏的隐患"。它会自己做这几件事：扫描项目目录、找出可疑的代码段、读相关的配置文件、生成一份分析报告。每一步该做什么、怎么做、看哪些文件——它都是现场决定的，不是程序员一个个手把手写好的。

这种"动态规划"的能力，是智能体最让人惊艳的地方。 它意味着，你不需要每次想要新功能都找程序员写代码了。你只要把目标说清楚，智能体自己能折腾出一套办法来。

当然，话说回来，这种"灵活"是有代价的——智能体的稳定性不如传统程序。它偶尔会犯傻，会规划出错，会给一个看起来对但实际不对的方案。咱们后面会专门讲怎么治它的各种毛病。但即便如此，它已经足够好用，好用到我们没法忽视它。

1.4 智能体简史：从专家系统到AutoGPT

讲完了"是什么"，我们再快速过一下"从哪里来"。AI智能体不是2023年才冒出来的新词，它有几十年的演化历史。理解这段历史，能帮你看清：为什么过去这两年，智能体会突然从"学术概念"变成"人人可用"。

1.4.1 专家系统时代（1960s-1980s）：规则驱动的雏形

智能体最早的雏形，可以追溯到上世纪六七十年代的专家系统（Expert System）。最著名的代表是斯坦福大学开发的DENDRAL和MYCIN——一个用来推断有机化合物分子结构，一个用来诊断血液感染疾病。

这些系统的工作方式很"古典"：人类专家把自己的知识整理成"如果……那么……"的规则，写进知识库；然后系统根据输入的事实，去匹配这些规则，给出结论。

你一看就明白了，这不就是前面说的"传统程序"吗？没错，专家系统本质上就是把规则写死的程序。但是它们有一个新东西——它们被设计成能"自主推理"：你不用告诉它每一步怎么做，它会自己在知识库里翻规则，组合出一条推导路径。这已经是智能体的雏形了。

不过专家系统有几个致命短板：第一，规则库需要人类专家一条条写出来，建造成本极高；第二，它没法处理知识库之外的、意料之外的情况；第三，它没法从数据里"学习"新规则。

到八十年代末，专家系统热潮退去，AI进入了第二次寒冬。

1.4.2 强化学习时代（1990s-2010s）：能"试错"的学习者

九十年代开始，强化学习（Reinforcement Learning）让智能体的研究焕发了新生。强化学习的核心想法非常符合我们今天对智能体的想象：让一个AI在一个环境里不断试探，根据环境给的奖励或惩罚，调整自己的策略，目标就是获得最多的累计奖励。

最出名的案例是DeepMind在2013年发布的DQN网络，它能在雅达利（Atari）游戏里通过反复试玩，自动学会怎么拿高分。一开始它玩得一塌糊涂，但玩了上千局之后，它能找到比人类玩家还厉害的玩法。

这个阶段还出现了另一个标志性的智能体——AlphaGo。2016年，AlphaGo以4:1击败了世界冠军李世石。一时间"AI智能体"这个词大火，很多人开始畅想：什么时候智能体能在真实世界里干活？

但这时候的智能体，离"普通人能用"还差得远。要做一个能玩雅达利的AI，你需要顶级的强化学习专家、调参大师、还有强大的算力。这种AI只能存在于大公司的实验室里，离普通人的日常生活远得很。

更重要的是，强化学习训练的智能体只能完成一个非常具体的任务——AlphaGo会下围棋，但你让它去订机票它就完全抓瞎。它不是"通用"的。

1.4.3 大模型驱动的新时代（2020s-）：智能体终于变得"好用"

真正的转折点，发生在2022年底。ChatGPT横空出世，紧接着GPT-4在2023年发布。研究者们突然意识到一件事：大语言模型天然就是"智能体大脑"的绝好候选。

为什么这么说？因为大语言模型有三个非常关键的能力：

第一，它能理解自然语言里的"目标"。 你不用写代码、用配置项告诉它要做什么；你用大白话描述目标就行。这种能力在过去的所有AI系统里都是短板。

第二，它能做"规划"——把一个大目标拆成一串小步骤。 比如你跟GPT-4说"帮我写一个能自动整理桌面文件的Python脚本"，它会自己拆成：1) 安装依赖；2) 扫描桌面文件；3) 按类型分文件夹；4) 处理重复文件；5) 输出报告。这一步一步的逻辑链条，它能自动生成。

第三，它能"调用工具"。 这是关键技术突破。从2023年开始，OpenAI的Function Calling、Anthropic的Tool Use、LangChain这样的开发框架，让大模型可以"指挥"外部的工具——查数据库、调API、操作浏览器、甚至执行代码。智能体的大脑和手脚，终于接上了。

这三个能力叠加在一起，智能体第一次有了"通用"的潜力——同一个底层模型，配上不同的工具，就能变成不同的智能体：订票智能体、写代码智能体、做研究智能体、做家务智能体。

于是2023年春天，AutoGPT横空出世。它的GitHub Star数在几周内突破10万，成为历史上增长最快的开源项目之一。它做的事情很朴素：你给它一个目标，比如"帮我研究一下2023年有哪些值得关注的开源项目"，它会自己去上网搜索、读网页、整理信息、生成报告，整个过程完全不用人插手。

AutoGPT有很多毛病——它会陷入死循环、会消耗大量token、完成任务的质量也不一定靠谱——但它点燃了一件事：让全世界看到了"AI主动做事"的可能性。

紧跟着，BabyAGI、AgentGPT、Microsoft AutoGen、CrewAI这样的项目一个接一个冒出来。到了2024年和2025年，几乎所有大公司都在押注智能体——OpenAI推出Operator，Anthropic推出Computer Use，Google推出Project Mariner，Apple推出Apple Intelligence的智能体能力。智能体从学术概念，正式走向了产品舞台。

如果用一句话总结这段历史，我会这样说：智能体的概念已经存在了几十年，但直到大语言模型成熟，它才终于从"实验室玩具"变成了"工程师能用来干活的东西"。

```mermaid flowchart TD A[1960s-1980s<br>专家系统] --> B[1990s-2010s<br>强化学习] B --> C[2020s至今<br>大模型驱动] A --> D[规则驱动<br>需要专家编写] B --> E[试错学习<br>单一任务] C --> F[自然语言目标<br>+规划能力<br>+工具调用] ```

1.5 为什么是现在？智能体爆发的三个底层原因

历史讲完了，你可能还会有个疑问：为什么大模型一出现，智能体就立刻爆发？ 这里头有三个相互叠加的底层原因，咱们掰开讲。

1.5.1 大模型能"听懂人话"

过去的AI系统有个老毛病：你得用它专门的语言、专门的格式去"喂"它。强化学习系统需要你定义清楚"状态"和"奖励函数"；专家系统需要你把专家的知识翻译成规则。这个"翻译"过程本身就是巨大的成本。

大模型不一样，你直接用中文跟它说就行。你跟它说"帮我把这篇文章翻译成英文，但保留一些原文里的网络流行词不译"，它就能理解你的意图。这件事看起来简单，实际上在过去是不可思议的。正是因为它能"听懂"人类模糊的、带语境的、甚至有点矛盾的要求，它才能直接成为智能体的大脑。

1.5.2 工具调用让智能体有了"手脚"

光有大脑还不够。设想一下，一个能听懂"帮我订机票"的AI，但它没法访问12306、没法调支付接口——它也只能停在你嘴边，回一句"亲，请自行前往12306订票哦"。这种"假装很能干"的样子，过去很多聊天机器人就是这样的。

工具调用（Tool Use）机制的成熟，让大模型从一个"会说但不能做"的嘴炮选手，变成了一个"能调动外部资源"的真正行动派。 现在的大模型可以：

• 调搜索引擎查最新信息；
• 调代码解释器运行Python；
• 调数据库读写数据；
• 调API完成支付、订票、发邮件；
• 操纵浏览器完成网页操作；
• 甚至调用其他AI智能体来协同工作。

这种"工具调用"的能力，让智能体可以做"实事"，而不只是"产出文字"。

1.5.3 算力和成本：让普通人也能用得起

第三个原因有点反直觉，但很重要：智能体跑起来需要大量的算力和调用成本，这恰好在过去几年赶上了一个下降的拐点。

GPT-4在2023年初发布时，API调用价格还相当昂贵，跑一个复杂任务可能花掉几十块钱。但到2024年和2025年，开源模型如Llama 3、Qwen、DeepSeek等的质量快速逼近GPT-4，但推理成本是商业API的零头；推理优化技术（量化、缓存、并行）也在快速进步。

这意味着——任何一个普通开发者，都能在自己笔记本上跑一个能干的智能体。 不再是大公司的专利。你拿一台普通的电脑，配置得当的话，就能让一个智能体帮你完成很多日常工作。这是过去完全没有过的局面。

1.6 真实案例拆解：一个订票智能体是如何工作的

抽象的概念讲得再多，不如拆一个真实案例来得直接。下面我们用一个智能订票助手作为例子，把智能体的工作方式完整拆开来。

假设我们要做一个智能体，它的目标是："帮用户订一张明天从北京到上海的高铁票，二等座，希望不要太早出发。" 我们来看看它内部的工作流：

1.6.1 第一步：理解目标

用户的话到了智能体面前，它不会立刻动手。它先要做一件事：把模糊的自然语言需求，解析成一个结构化的目标。

这一步其实是大模型在做一个"思考"过程。它可能会在内部把目标拆成这几个要素：

• **任务类型**：订票（具体说，是订高铁票）
• **行程**：北京 → 上海
• **日期**：明天
• **座位偏好**：二等座
• **附加偏好**：希望不要太早出发

这一步它是在"理解"，还没动手。

1.6.2 第二步：规划路径

接下来，智能体要规划出"达成目标需要做哪些事情"。这其实是智能体最像"人"的一步——它会去