开篇故事：当 AI 不只是聊天机器人 — 什么是 Agent？

开篇故事：当 AI 不只是聊天机器人 —— 什么是 Agent？

去年夏天，我的好朋友 Lily 计划去日本京都旅游五天。她打开手机，对着 Siri 说："帮我订一张下周三从上海到京都的机票，经济舱，越便宜越好。" 你猜 Siri 怎么回？它说——"抱歉，我暂时还不能帮你订机票，但我可以帮你搜索相关信息。" 然后弹出一堆网页链接。

Lily 叹了口气，自己去携程搜了半小时，最后订了张两千三百块的机票。回到办公室，她越想越气，问我："这都什么年代了，AI 连订张机票都搞不定？"

一个月后，Lily 兴奋地给我发消息：她在 Discord 上看到一个叫 AutoGPT 的开源项目，号称"只要给它一个目标，它就能自己动手完成"。她试着输入了一句："帮我规划一次京都五日深度文化游，预算 1.5 万人民币，要避开人多的景点，住在地铁站附近。" 然后她去洗了个澡。

等她回来一看，邮箱里躺着一份非常完整的行程报告：包含三套机票比价方案、四家候选酒店的优劣分析、一份按"寺院线""古街线""美食线"分组的每日行程、一张地铁换乘清单，甚至还有一份"雨天备案"。报告最后还贴心附上了所有信息来源链接。

Lily 盯着屏幕，愣了好几秒，自言自语："这……这跟 Siri 是同一种 AI 吗？怎么感觉差了一个时代？"

没错，Lily 的困惑，正是本书要回答的核心问题。本章我们会一层一层地把"Agent（智能体）"这个概念拆开看：它到底是什么？为什么它跟普通聊天机器人如此不同？为什么"Agent"这个概念在 2023 年之后突然像火山一样爆发？以及，作为编程小白的你，为什么一定要懂它？

一个让人抓狂的真实故事：为什么 Siri 不能而 AutoGPT 可以

要回答"Siri 和 AutoGPT 的本质区别"，我们得先搞清楚一个更基础的问题：在普通用户的心目中，"AI 助手"应该长什么样？

2011 年苹果发布会上，Siri 第一次亮相时，库克把它包装成"你的私人语音助理"。十多年过去了，Siri 真正能做的事依然非常有限：定闹钟、查天气、发短信、播放音乐、偶尔讲个笑话——本质上，它是一个"听话的工具"：你说一句，它做一件。如果任务稍微复杂一点，它就会礼貌地把你推回浏览器。

而 AutoGPT、Manus、Devin 这类工具在 2023 年之后横空出世时，整个世界突然意识到：原来 AI 不仅能"听懂命令"，还能自己拿主意、自己动手做。

我们用一张对比表来看清这种差异：

| 任务 | Siri / 普通聊天机器人 | AutoGPT / Agent | |------|---------------------|-----------------| | "帮我查明天北京天气" | ✅ 能做 | ✅ 也能做，但有点大材小用 | | "帮我订明天去北京的机票" | ❌ 做不到，只能返回搜索链接 | ✅ 自动比价 + 下单 | | "帮我做一份北京三日游攻略" | ❌ 只能给文字建议 | ✅ 自动查景点 + 拼行程 + 输出报告 | | "帮我写个爬虫爬取微博热搜" | ❌ 只能给一段代码片段 | ✅ 自己写代码 + 执行 + 返回结果 | | "帮我研究 AI Agent 市场" | ❌ 只能复述已知信息 | ✅ 自己搜资料 + 整理 + 写报告 |

看出来了吗？左列的 AI 是"被动响应型"——你推一下，它动一下，停止指令它就停；右列的 AI 是"主动规划型"——你给一个目标，它自己把任务拆解成步骤，自己想办法完成每一步，遇到问题自己尝试别的方案，最后把成果打包给你。

这就是我们要聊的 AI Agent（人工智能智能体）。

"Agent"这个词来自拉丁语 *agere*，本意是"去做某事"。它强调的核心不是"会说话"，而是"会做事"。一个真正意义上的 Agent，必须具备三个核心能力，我们马上就会讲到。但在深入技术细节之前，我们先做一次穿越——看看"想造一个会做事的 AI"，这个想法人类其实已经琢磨了将近 60 年。

六十年进化简史：从 ELIZA 到 AutoGPT

很多人以为 AI Agent 是 ChatGPT 之后的"全新发明"。其实不然。如果把"会做事的 AI"这条线拉出来看，它几乎和人工智能这个学科一样古老。下面是一条精简版的时间轴，我会挑出每个时代的代表选手聊一聊。

1966 年：ELIZA —— 第一个"假装听懂人话"的程序

麻省理工的约瑟夫·魏泽鲍姆（Joseph Weizenbaum）写了一个只有几百行代码的程序，名叫 ELIZA。它模拟的是一个心理治疗师，会用"请继续说""你觉得怎么样"这类话把人机对话撑下去。虽然它根本没有"理解"任何东西，甚至连语法分析都没有，但很多用户真的以为自己是在和一个善解人意的治疗师聊天。这说明了一个深刻的道理：人类很容易被"看起来在交互"的程序欺骗。ELIZA 是 Agent 思想的最早萌芽——它至少具有"感知输入"和"生成回复"两个能力。

1972 年：PARRY —— 第一个通过图灵测试变体的程序

斯坦福的精神病学家肯尼斯·科尔比（Kenneth Colby）模仿偏执型精神分裂症患者的说话方式，写出了 PARRY。它和 ELIZA 通信时，围观者几乎无法分辨哪个是机器哪个是人。PARRY 引入了"内部状态变量"——程序会根据一个"易怒值"的数值调整回答。这是Agent"内部状态"概念的雏形。

1990 年代：专家系统（Expert System）与智能助手爆发

随着算力提升，研究者们开始尝试把人类专家的知识编成规则，例如医疗诊断系统 MYCIN、地质勘探系统 PROSPECTOR。它们非常"专业"，但也非常脆弱——一旦遇到规则之外的情况就抓瞎。这一代系统虽然不像今天的 Agent 那么通用，但它们奠定了"知识库 + 推理机 + 用户接口"三件套的经典架构。

2011 年：Siri —— Agent 概念第一次大规模出圈

苹果把一个"会听、会说、会查"的语音助手塞进了亿万用户的口袋。但 Siri 本质上是一个命令-响应（Command-Response）型系统：你说一句话，它匹配一个意图（Intent），调一个 API，吐一个回答。它没有"目标感"，更不会自己规划。

2014 ~ 2020 年：Alexa、Google Assistant、Boston Dynamics 机器人

智能音箱和家用机器人把"AI 助手"这个概念普及到了家庭。但这些系统在"做事"层面上依然非常浅：你让 Alexa"帮我订外卖"，它会调出叮咚买菜让你手动下单；你让 Spot 机器狗去拿快递，它需要你预先规划好路线。它们都没有"自主性"。

2022 年 11 月：ChatGPT —— 大语言模型登场

ChatGPT 的发布让全世界第一次看到：一个模型可以在通用语言任务上达到接近人类的水平。它能写代码、能翻译、能写文案、能做数学题。但它有个致命缺陷——它只会"打字"，不会"做事"。你让它去订机票，它还是会说"对不起，我只是一个语言模型"。

2023 年 3 ~ 4 月：AutoGPT 与 BabyAGI —— Agent 概念正式引爆

开发者们突然意识到：虽然 ChatGPT 本身不会做事，但如果你给它一个"思考-行动-观察"的循环结构，再给它接上工具（比如搜索引擎、文件读写、浏览器操作、代码执行），它就能"自己动手"了。AutoGPT 是第一个把这个思想产品化的项目，它一发布就在 GitHub 上狂揽 10 万星标。"Agent"这个词从此成为 AI 圈最热的关键词。

2024 年 ~ 2025 年：Devin、Cursor、Manus、Multi-Agent 编排框架百花齐放

2024 年初， Cognition Labs 放出 Devin —— 一个号称能独立完成整个软件工程任务的 AI 工程师，演示视频里它能从零写一个网站、修 bug、提 PR。同年，Anysphere 推出的 Cursor 把"AI 写代码"从自动补全升级成了"AI 协作开发"。2025 年，中国团队推出的 Manus 进一步把 Agent 能力推向"通用任务自动化"，可由一个 Agent 调度多个子 Agent 共同完成复杂任务（Multi-Agent）。与此同时，LangGraph、CrewAI、AutoGen 这类编排框架也如雨后春笋般出现，让开发者构建自己的 Agent 系统变得前所未有的简单。

这条 60 年的演化曲线，其实是一条"让 AI 从'说话'走向'做事'"的曲线。前面四十年，研究者们一直试图用规则和知识图谱硬编码"做事能力"，效果都不理想；直到大语言模型成熟之后，让 AI 拥有了"理解 + 推理 + 表达"三位一体的基础能力，Agent 才真正迎来了春天。这就是为什么接下来我们要重点讲 Agent 的三大核心能力。

拆解 Agent：感知、决策、行动 —— Agent 的"灵魂三角"

现在我们正式揭开 Agent 的庐山真面目。

不管是 AutoGPT、Manus、还是更复杂的 Multi-Agent 系统，它们的底层骨架都可以抽象成一个由四步构成的循环：感知（Perception）→ 推理决策（Reasoning / Decision）→ 行动（Action）→ 观察（Observation），然后再回到感知。这个循环你可以理解为 Agent 的"心跳"，只要它还在运转，这个循环就不会停止。

下面这张图展示了完整的循环：

```mermaid flowchart LR P["Perception 感知"] --> R["Reasoning 推理决策"] R --> A["Action 行动"] A --> O["Observation 观察"] O --> P ```

我们把这个图拆开一个一个讲。

第一步：感知（Perception）—— "我看到了什么"

感知是 Agent 接收外部信息的入口。它可以是：用户的文字指令、麦克风捕捉到的语音、摄像头拍下的画面、传感器读出的温度、网页抓取的内容、API 返回的 JSON 数据……一切能被 Agent "看见、听见、读懂"的东西都是它的"感知输入"。

举个例子：当 Lily 让 AutoGPT 帮她规划京都行程时，"帮我规划一次京都五日深度文化游……" 这句话就是触发了 Agent 的感知模块。这个模块需要做的事情包括：理解这是中文、提取关键信息（目的地=京都、天数=5、主题=文化、预算=1.5万、约束=避开人潮+地铁站附近）、判断用户的意图（"我需要的是行程规划，不是订机票"）。

第二步：推理决策（Reasoning / Decision）—— "我下一步该做什么"

这是 Agent 的"大脑"，也是它和普通聊天机器人最大的区别。

普通聊天机器人在这一步做的事情非常单一：根据输入匹配一个最可能的输出。Agent 在这一步做的，是"任务规划（Planning）" —— 它会把一个大目标拆成若干子任务，然后判断"现在最该做哪一件"。

对 Lily 那个例子来说，Agent 内部可能会拆解出这样的规划：

``` 目标：京都五日深度文化游规划 ├── 步骤 1：确认京都的入境交通方式（机票/新干线对比） ├── 步骤 2：搜索京都 10 月份旅游景点并按"小众"过滤 ├── 步骤 3：根据景点分布规划每日路线 ├── 步骤 4：根据预算和地铁距离筛选酒店 ├── 步骤 5：整合信息生成最终报告 └── 步骤 6：把报告发送给用户 ```

注意，步骤 1 完成后，步骤 2、3 的输入才会完整。这种"前一步决定后一步"的链式规划能力，是 Agent 真正的"智能"所在。背后通常由大语言模型（LLM）作为推理引擎来承担。

第三步：行动（Action）—— "我要去做"

推理出"下一步该做什么"之后，Agent 就要真正去执行。Agent 能执行的动作可以分成三类：

1. 内部动作（Internal Action）：例如更新自己记忆、修改计划、反思"刚才那个方案行不行"——这些是"思考型动作"。 2. 工具调用（Tool Use）：例如调用搜索引擎、查数据库、读写文件、发邮件、调 GitHub API——这些是"外部动作"。 3. 对话回复（Response）：在某些步骤里，Agent 也会直接给用户说一句"我现在正在研究交通方案，请稍等"。

对 Lily 那个例子来说，Agent 在"步骤 2"这一步会去调用 搜索工具，搜索"京都 小众景点 2024"；在"步骤 4"会调用 预订网站 API 查酒店价格。

第四步：观察（Observation）—— "做得怎么样"

每执行完一个动作，Agent 必须"观察"动作的结果——搜索引擎返回了什么？网站有没有报错？提取出来的信息格式对不对？

这一步至关重要。没有观察，Agent 就是一个闭着眼睛往前冲的疯子。举个例子，如果 Agent 调用了搜索工具，但搜索 API 返回了一个 500 错误，Agent 通过"观察"发现异常，就会自动调整策略：换个关键词重试，或者改用另一个搜索引擎。整个循环因此重新进入感知阶段。

把四步连起来，就是一个完整的 感知 → 推理 → 行动 → 观察 → 感知 → … 的循环。只要任务没完成，这个循环就会一直转下去。这就是为什么 Lily 让 AutoGPT 去洗澡，回来它已经完成了所有工作——它是在后台跑了成百上千次这个循环。

理解了这个循环，你就掌握了 Agent 最核心的"心法"。接下来我们把这个心法和另外两个高频概念放一起对比，看看它们的层次关系。

LLM、Chatbot、Agent：到底什么关系？

很多初学者都会被这三个词搞糊涂：LLM（大语言模型）、Chatbot（聊天机器人）、Agent（智能体），它们之间到底是什么关系？是同义词、是从属关系，还是互不相关？

我用一个生活化的比喻来帮你理解。

把它们想成一个"人"的三个层次：

• **LLM = 这个人的"大脑皮层"**：负责思考、语言、推理。它是"原材料"，一个被训练出来能理解和生成语言的巨型神经网络。
• **Chatbot = 这个人的"脸和嘴"**：大脑 + 一个对话界面，让它能和人类你来我往地聊天。ChatGPT、文心一言、Claude 的网页版，本质上都是 Chatbot。
• **Agent = 这个"完整的人"**：大脑 + 脸嘴 + **手、脚、眼睛、耳朵**——也就是**工具调用能力、记忆能力、规划能力、行动能力**。一个 Agent 不仅能思考，还能动手做事。

所以关系是这样的：LLM 是 Agent 的"推理核心"，Chatbot 是 LLM 的"对话外壳"，Agent 是 LLM 的"完整身体"。每一个真 Agent 内部都有一颗 LLM 当大脑，但并不是每个 LLM 或 Chatbot 都能称为 Agent。

我们用一个表格做最后确认：

| 维度 | LLM | Chatbot | Agent | |------|-----|---------|-------| | 核心能力 | 语言理解与生成 | 对话交互 | 自主完成任务 | | 是否需要工具调用 | 否（可以加） | 通常不需要 | 必须有 | | 是否有记忆 | 无（每次调用是孤立的） | 短期对话记忆 | 长期记忆 + 知识库 | | 是否能规划任务 | 否（仅一次性回答） | 否 | 必须有 | | 典型例子 | GPT-4 原始模型、Claude Sonnet 原始模型 | ChatGPT 网页版、文心一言 App | Manus、Devin、Cursor Agent、AutoGPT | | 类比 | 一个人"心里的想法" | 这个人的"讲话方式" | 这个"完整的人" |

一个方便记忆的口诀是："LLM 会说，Chatbot 会聊，Agent 会做。"

到这里你应该不会再被这三个词绕晕了。理解了概念层次，下一步我们来看几个真实世界里的 Agent——它们会让你直观感受到"Agent 能做到什么"。

现实中的 Agent：四个让你尖叫的真实案例

光看抽象定义很难真正理解 Agent 的威力，下面我们用四个真实的案例，把"感知-决策-行动-观察"循环走一遍，让你看清楚 Agent 到底是怎么"做事"的。

案例 1：GitHub Copilot —— 帮你写代码的 Agent

Copilot 是最早大规模出圈的 AI 编程助手，但它其实并不是一个纯粹意义上的"自动 Agent"。我们用 Cursor（Copilot 的同门升级版）来做例子，因为它更接近 Agent 的形态。

当你在 Cursor 里输入一段注释："`# 写一个函数，把列表里的偶数提取出来并求和`"，Cursor 内部发生的事情是：

1. 感知：Cursor 的编辑器插件读到你刚输入的注释和当前文件的上下文（Cursor 会自动索引整个项目的代码）。 2. 推理：Cursor 调用背后的 LLM（默认是 Claude 或 GPT-4），让它根据上下文生成最合适的函数实现。 3. 行动：把代码插入到光标位置，自动格式化，自动加上 import 语句。 4. 观察：观察新代码有没有语法错误、能否被静态检查工具识别。如果有错误，自动重新生成。

更激进的 Cursor Agent 模式 会更进一步：你可以让它"读这个 bug 报告，修这个 bug，然后跑测试"。它会自己打开文件、看代码、定位问题、修代码、跑命令、把结果反馈给你。

案例 2：Devin —— 一个独立工作的 AI 软件工程师

Cognition Labs 在 2024 年 3 月发布的 Devin，是第一个号称"能像人类工程师一样接单"的 AI。在官方演示里，Devin 完成了一个完整的端到端任务：

> 用户："在 Upwork 上找一个 React 项目的兼职，然后把项目链接发给我。"

Devin 在执行时做了这些事情： 1. 感知：打开浏览器、登录 Upwork、阅读项目列表。 2. 推理：根据用户偏好（项目类型、预算、时区）评估每个候选项目。 3. 行动：点击项目卡片、抓取详情页、复制链接。 4. 观察：发现详情页有反爬机制 → 自动切换策略 → 用更慢但更隐蔽的方式重新请求 → 最终成功。

整个过程，Devin 自己开了几十次浏览器、敲了几十条命令、出错了就自己调试。**用户只是下达了一个目