AI Agent 概述：从聊天机器人到自主智能体

第 1 章 AI Agent 概述：从聊天机器人到自主智能体

打开浏览器，输入"帮我规划一次周末去杭州的三天行程"，按下回车——这是 2023 年之后任何一个普通用户都会做的事情。但接下来的故事，决定了你接触到的究竟是"聊天机器人"还是"AI Agent"。

如果屏幕里弹出的只是一份现成的旅游攻略模板，里面混着"西湖一日游""灵隐寺烧香""宋城千古情"这些通用建议，结尾还附了一句"以上信息仅供参考，请以实际情况为准"——你面对的是聊天机器人（Chatbot）。它的本质是"问一句、答一句"，你问什么它就答什么，不问就不动。

但如果你看到的回复是这样的："我注意到你没说明出发地和同行人数。我先查一下杭州未来三天的天气，再去查高铁票和酒店价格，然后根据你的预算给出三套不同档位的方案。整个过程大约需要两分钟，请稍等。"紧接着它开始调用天气 API、票务 API、酒店比价工具，最后真的把三套行程方案连同预算明细一起摆到你面前——你面对的是AI Agent。它的本质是"接到目标后，自主规划步骤、调用工具、直到任务完成"。

这两种体验的差异，就是本章要回答的核心问题：Agent 究竟是什么？它和聊天机器人之间的鸿沟，到底由哪些技术要素构成？

1.1 重新理解"Agent"这个词

"Agent"是人工智能领域被滥用得最严重的术语之一。在不同的语境下，它可能是强化学习里的智能体、可能是分布式系统里的代理进程、也可能是哲学讨论中的意向性主体。本书所说的 Agent，特指基于大语言模型驱动、具备自主决策与工具调用能力的人工智能实体。在行文中如果不加特别说明，"Agent"一律指代这个含义。

理解这个定义需要抓住三个关键词：大语言模型驱动、自主决策、工具调用。

第一，大语言模型（LLM）驱动。Agent 的大脑是 LLM。它负责理解自然语言指令、进行逻辑推理、生成下一步动作的判断。LLM 的能力上限，几乎直接决定了 Agent 的能力上限。这也是为什么 2023 年 GPT-4 发布之后，Agent 概念会突然爆发——并不是因为 Agent 这个想法新颖，而是因为大脑终于成熟了。

第二，自主决策。这是 Agent 和 Chatbot 最核心的区别。Chatbot 是被动响应的——你说什么它答什么。Agent 是目标驱动的——你给出一个目标，它会自己拆解出"该做什么、怎么做、做到什么程度算完成"。这种自主性体现在 Agent 能够在没有人类逐步指导的情况下，根据环境反馈调整自己的行为路径。

第三，工具调用。再聪明的 LLM 也无法独立完成所有任务：它不能实时联网查询天气、不能读写本地文件、不能执行 SQL 查询、不能给你的手机发短信。Agent 必须能够调用外部工具来弥补这些能力缺口。工具可以是搜索引擎、数据库、API 接口，也可以是代码执行环境、文件系统，甚至可以是另一个 Agent。

把这三个要素组合起来，可以给出一个相对完整的描述：AI Agent 是以大语言模型为核心推理引擎、以目标为导向、能够自主规划行动路径并调用外部工具完成任务的智能系统。

1.2 形式化定义：感知-思考-行动循环

工程领域讨论一个概念时，往往需要把它"形式化"——用清晰的变量和流程图把抽象描述变成可实现的模型。Agent 也不例外。最被广泛接受的 Agent 模型是 Russell 和 Norvig 在《人工智能：一种现代方法》中提出的"感知-思考-行动"循环（Perception-Thinking-Action Loop，简称 PTA 循环）。

```mermaid flowchart LR A[感知 Perception] --> B[思考 Thinking] B --> C[行动 Action] C --> D[环境反馈] D --> A ```

这个循环的四个节点分别承担不同的职责：

感知（Perception） 是 Agent 与外界交互的起点。它包括读取用户输入、解析当前环境状态、获取工具调用的返回值。在 LLM Agent 中，感知阶段往往不是简单的字符串接收，而是结构化的信息抽取。例如用户说"我想订一家适合带宠物的餐厅，今晚六点，最好在国贸附近"——感知模块需要从中提取出三个约束条件：宠物友好、预订时间、地理位置。

思考（Thinking） 是 Agent 的大脑在运转。在 LLM Agent 时代，思考的具体形式通常是"思维链"（Chain of Thought）——LLM 在内部生成一段推理文本，决定下一步该做什么。思考的输出可以是一个动作指令（"调用地图 API 搜索国贸附近的宠物友好餐厅"），也可以是一个判断（"信息不足，需要先询问用户预算"）。

行动（Action） 是思考结果在物理世界或数字世界中的执行。执行可以分两类：内部行动（如更新自己的记忆、修改任务计划）和外部行动（如调用 API 发送请求、操作文件系统、给用户发消息）。在 LLM Agent 框架中，外部行动通常通过"工具调用"（Function Calling）接口实现。

环境反馈（Environment Feedback） 是行动的结果回流到感知模块，形成闭环。例如搜索餐厅 API 返回了 10 个候选结果，这些结果会被注入到下一次感知的输入中，成为下一轮思考的上下文。

这个循环会一直运转，直到 Agent 判断任务已经完成（通过某种终止条件，例如"已经收集到三套完整的行程方案"），或者判断任务无法继续（例如"用户预算过低，无法在指定城市预订符合要求的酒店"）。

需要强调的是，循环的次数不是固定的。简单的任务可能一轮循环就结束（感知 → 思考 → 行动 → 完成），复杂的任务可能需要几十轮甚至上百轮循环。每一次循环，Agent 都可能根据新的信息调整自己的策略——这就是"自主性"的真正含义。

下面用一个具体例子展示循环的展开过程。任务："帮我把当前目录里所有 Python 文件中出现的 `print` 替换成 `logger.info`，并把改动提交到 Git。"

• 第 1 轮：感知 → 读取用户指令；思考 → 需要先扫描目录、识别 Python 文件；行动 → 调用 `find . -name "*.py"`。
• 第 2 轮：感知 → 得到文件列表；思考 → 需要逐个文件读取并替换；行动 → 调用 `cat` 和 `sed`。
• 第 3 轮：感知 → 得到修改后的文件；思考 → 需要确认改动符合预期；行动 → 调用 `git diff` 查看变更。
• 第 4 轮：感知 → diff 输出；思考 → 改动合理，准备提交；行动 → 调用 `git add . && git commit -m "..."`。
• 第 5 轮：感知 → commit 成功；思考 → 任务完成；行动 → 向用户汇报结果，退出循环。

可以看到，每一轮循环 Agent 都在独立判断下一步该做什么，而不是依赖用户逐步指挥。这就是 Agent 的"自主性"——用户在最开始给出目标之后，就可以放手了。

1.3 边界辨析：Agent、LLM、RAG 与 Chatbot

很多初学者会把 Agent 和几个相邻概念混为一谈：LLM（Large Language Model）、RAG（Retrieval-Augmented Generation）、Chatbot（聊天机器人）。这四个概念之间确实存在紧密联系，但它们各自承担的角色并不相同。

```mermaid flowchart TD LLM[LLM 大语言模型] --> Agent[AI Agent] LLM --> Chatbot[Chatbot 聊天机器人] RAG[RAG 检索增强生成] --> Chatbot RAG --> Agent Tool[外部工具 API/代码/文件] --> Agent Memory[记忆系统] --> Agent Planning[任务规划] --> Agent ```

这张关系图揭示了几个关键点：

LLM 是基础设施，不是 Agent 本身。 LLM 是 Agent 的大脑，但仅有 LLM 还构不成 Agent。一个没有任何工具调用能力的纯 LLM 对话界面，本质上是 Chatbot，而不是 Agent。LLM 与 Agent 的关系类似于"发动机"与"汽车"——发动机是汽车的必要组件，但仅有发动机放在地上，它不构成一辆车。

RAG 是 LLM 的一种增强方式。 RAG 让 LLM 在回答问题前先去检索外部知识库，从而缓解幻觉问题、扩展知识时效性。RAG 既可以被 Chatbot 使用（例如基于公司内部文档的问答客服），也可以被 Agent 使用（例如 Agent 在制定行程前先检索本地攻略库）。RAG 本身不提供自主决策能力，它只是为 LLM 提供更好的输入。

Chatbot 是 LLM 的最简单应用形态。 Chatbot 的核心特征是"一问一答"，没有持续的目标、没有工具调用、没有自主规划。它的对话历史虽然会被保留（多轮对话），但每一轮的回答都是独立的，不会形成长程任务。Chatbot 也可以使用 RAG，但这种增强依然是被动响应式的，不改变其本质。

Agent 是 LLM 的高阶应用形态。 Agent 在 LLM 之上加入了三个关键组件：任务规划（把大目标拆成小步骤）、工具调用（执行每一步具体动作）、记忆系统（保留跨步骤的上下文与历史结果）。这三个组件让 Agent 从"被动回答"升级为"主动完成"。

可以用一张能力对照表来总结这种差异：

| 能力维度 | LLM | Chatbot | RAG Chatbot | Agent | |---------|-----|---------|-------------|-------| | 自然语言理解 | ✓ | ✓ | ✓ | ✓ | | 多轮对话 | 部分 | ✓ | ✓ | ✓ | | 外部知识检索 | ✗ | ✗ | ✓ | ✓ | | 工具调用 | ✗ | ✗ | ✗ | ✓ | | 任务规划 | ✗ | ✗ | ✗ | ✓ | | 自主决策 | ✗ | ✗ | ✗ | ✓ | | 长程任务执行 | ✗ | ✗ | ✗ | ✓ |

这张表里最重要的分界线是"工具调用"这一行。它是从 Chatbot 跨越到 Agent 的本质门槛——一旦 LLM 获得了调用外部工具的能力，它就具备了与数字世界和物理世界交互的可能性，自主决策才有了落地的载体。

1.4 Agent 的分类与能力等级

Agent 不是单一物种。在不同的应用场景下，Agent 呈现出截然不同的形态。根据"部署方式""任务范围"和"自主程度"三个维度，可以对 Agent 进行系统分类。

按部署方式分：单 Agent 与多 Agent。

单 Agent（Single Agent） 是最常见的形态，一个 Agent 独立完成全部任务。这种架构简单、调试方便，适合目标明确、步骤清晰的任务。例如，一个自动写周报的 Agent、一个监控股价并发送提醒的 Agent，都属于单 Agent。

多 Agent（Multi-Agent） 是多个 Agent 协作完成任务的形态。每个 Agent 各自负责一部分子任务，通过消息传递相互协调。例如，一个软件开发团队 Agent 可能由四个角色组成：产品经理 Agent、架构师 Agent、程序员 Agent、测试 Agent。多 Agent 系统更适合复杂、跨领域的任务，但调试难度和通信成本都更高。

按任务范围分：专用 Agent 与通用 Agent。

专用 Agent（Domain-Specific Agent） 聚焦于某一垂直领域，工具集和知识库都针对该领域定制。例如法律咨询 Agent、医学问诊 Agent、代码审查 Agent。这类 Agent 在专业场景下准确率高、可控性强，是当前商业落地的主力。

通用 Agent（General-Purpose Agent） 不限定任务领域，理论上可以处理用户交给它的任何任务。代表案例是 AutoGPT、Devin、BabyAGI 等。这类 Agent 灵活性高，但稳定性差、成本高，目前仍处于探索阶段。

按自主程度分：可以划分为五个等级。

这是本章最重要的一个分类视角，因为它直接对应了 Agent 的工程实现复杂度。

Level 0：纯 LLM 对话。 没有 Agent 框架，用户每输入一句话，模型返回一段回复。没有任何工具调用、规划或记忆。这是 Chatbot 的本质。

Level 1：工具增强。 LLM 具备调用预设工具的能力，但需要在用户明确指令下调用。例如用户说"查一下北京今天天气"，Agent 才会调用天气 API；如果用户没说，Agent 不会主动调用。这一级 Agent 已经具备了一定的工具使用能力，但自主性有限。

Level 2：单步规划。 LLM 能够将用户给定的目标拆解为多个步骤，并依次执行。例如用户说"帮我订明天北京到上海的高铁票"，Agent 会自己规划：查询班次 → 比较价格 → 选出推荐班次 → 询问用户确认 → 出票。但每一步的执行还是线性的，不会根据中途的失败重新规划。

Level 3：多步反思。 LLM 能够在执行过程中反思自己的决策，根据环境反馈调整计划。例如用户要求订票时，Agent 查询后发现无票，会主动建议改签其他日期或换乘方案，而不是简单地报错。这一级 Agent 引入了"反思"机制，是当前工业界的前沿水平。

Level 4：自主目标发现。 LLM 不需要用户明确目标，能够根据环境状态主动发现问题并设定目标。例如一个监控生产系统的 Agent 会在检测到异常指标后，主动诊断、汇报、建议修复方案。这一级目前仅在受限场景中出现，距离通用部署还有相当距离。

需要强调的是，Level 0 到 Level 4 不是简单的"高级 vs 低级"关系，而是"可控性 vs 自主性"的权衡。Level 越高，自主性越强，但可控性越弱、出错风险越高。在实际工程中，绝大多数生产系统会停留在 Level 1 到 Level 3 之间，而不是盲目追求更高的自主性。

1.5 历史脉络：从 ELIZA 到 GPT-4o

Agent 不是 2023 年突然出现的新物种。它的概念演进跨越了六十多年，可以大致划分为三个时代。

符号主义时代（1960s—1990s）。 1966 年，MIT 的 Joseph Weizenbaum 发布了 ELIZA，这是历史上第一个聊天机器人。它通过简单的模式匹配和替换规则模拟心理咨询师的对话风格。尽管技术上相当原始（没有任何"理解"），但已经具备了 Chatbot 的基本形态：基于规则、被动响应、无法调用外部工具。

这一阶段的 Agent 研究主要集中在符号推理上。研究者试图用逻辑规则、知识库、规划算法来构造"智能"。Newell 和 Simon 的"通用问题求解器"（GPS）、Stanford 的 STRIPS 规划系统都是这一时期的代表。但符号主义 Agent 严重依赖人工编写的规则，泛化能力极差，遇到规则未覆盖的情况就会失效。

统计学习时代（1990s—2010s）。 随着机器学习的发展，研究者开始用概率模型替代硬编码规则。强化学习成为这一阶段 Agent 研究的主导范式——Agent 通过与环境交互、获得奖励信号、不断优化策略。AlphaGo 是这一阶段的巅峰之作：它通过自我对弈产生了超越人类棋手的能力。

但这一阶段的 Agent 通常只能处理单一、封闭的任务（如围棋、Atari 游戏），无法处理开放域的自然语言指令。要让 Agent 理解"帮我订一张去上海的高铁票"这样的开放指令，传统方法无能为力。

LLM 驱动时代（2020s 至今）。 转折点是 2022 年底 ChatGPT 的发布。它让人类第一次看到，LLM 能够在开放域上理解复杂的自然语言指令，并生成高质量的响应。但 ChatGPT 本身只是一个 Chatbot——它没有工具调用、没有自主规划。

真正的变革发生在 2023 年。这一年发生了三件标志性事件：

第一，OpenAI 在 GPT-4 中引入 Function Calling 能力。这是 LLM 从"会说话"到"会做事"的关键一跃。Function Calling 让 LLM 能够以结构化方式输出"调用哪个工具、传入什么参数"，从而可靠地与外部世界交互。

第二，AutoGPT 项目引爆开源社区。AutoGPT 是一个让 GPT-4 自主循环执行任务的框架——给定一个目标，GPT-4 会自己规划步骤、调用工具、执行任务、反思调整。它在 GitHub 上获得了超过 10 万颗星标，让"AI Agent"这个概念进入大众视野。

第三，多个垂直 Agent 产品涌现。从代码领域的 Devin、Cody，到通用领域的 Manus、AutoGen，再到企业级的 LangChain Agents、LlamaIndex Agents，Agent 生态在短短一年内爆发式增长。

```mermaid flowchart LR A[1966 ELIZA] --> B[1990s 符号主义 Agent] B --> C[2010s 强化学习 Agent] C --> D[2022 ChatGPT] D --> E[2023 Function Calling] E --> F[2023 AutoGPT] F --> G[2024 Agent 生态爆发] ```

理解这段历史脉络很重要。它告诉我们：Agent 不是 LLM 时代的发明，而是六十多年人工智能研究的自然演进。LLM 的出现解决了"自然语言理解"这一长期瓶颈，让 Agent 第一次具备了真正与人类对话的能力。当大脑成熟之后，Agent 的爆发就成为必然。

1.6 30 行代码：搭建一个最小可运行对话程序

理论讲得再多，不如亲手跑一段代码。下面将用 30 行代码搭建一个最小可运行的 LLM 对话程序。这段程序只完成一件事——把用户输入发送给 OpenAI 的 GPT 模型，然后把模型的回复显示出来。读者可以把它当作 Agent 的"原胚"：理解了它，才能理解后续章节中所有复杂框架的必要性。

首先需要准备两个东西：Python 3.8 以上环境和OpenAI API Key。API Key 可以在 OpenAI 官网注册后获取，这是调用模型所必需的凭证。出于安全考虑，不要把 API Key 直接硬编码在代码里，而是通过环境变量传入。

接