智能体的崛起：从聊天机器人到自主行动者

第 1 章 智能体的崛起：从聊天机器人到自主行动者

1.1 一个让你重新思考 AI 的小场景

明天是你最好朋友的 17 岁生日。你打开 ChatGPT，输入一句："帮我想一个让她难忘的生日计划。"三秒后，屏幕上弹出一份无可挑剔的清单：上午去她最爱的书店买一本村上春树，下午在常去的咖啡店点一杯燕麦拿铁，晚上在江边预订一家有露台的餐厅，贺卡建议用手写字体配上你们去年看的那场演唱会的照片。

清单确实漂亮。但接下来发生的事会让你瞬间清醒：它没有打开任何外卖 App，没有替你订位，没有发任何一条微信，甚至没有在你的日历里新增任何提醒。你得到的，本质上是一份需要自己亲自"执行"的攻略。

这不是 ChatGPT 的缺陷，它被设计出来就是回答问题的——你问，它答；你不问，它静默。同样的话拿去问 Siri、小爱同学、传统客服机器人，会得到几乎一样的结果：它们是被动的回答者，不是主动的办事者。

而 2023 年开始在全球技术圈刷屏的"AI 智能体"（AI Agent），正是冲着这条鸿沟去的。它们不仅告诉你"应该做什么"，还会真的去做：打开浏览器、下单、发邮件、调接口、处理报错。听起来有点科幻，但核心原理并不复杂，本章会一层层拆给你看。

1.2 智能体的三大特征：自主性、反应性、主动性

要给"智能体"下一个准确的定义并不容易，因为这个词在人工智能、机器人学、控制论、哲学里都被反复使用过。我们这里采用工程界最常引用的版本——来自英国学者 Michael Wooldridge 的经典定义，再结合现代 LLM Agent 的语境做一点补充。

> 智能体（Agent）：部署在某种环境中，能够自主感知环境、根据自身目标做出决策、并通过执行动作影响环境的计算系统。

定义里有三个关键词，分别对应智能体的三大特征：

1. 自主性（Autonomy） 智能体不应每一步都等人类指挥，要能自己判断下一步该做什么。比如一个旅行规划智能体，人类只说"帮我安排一次三天两晚的京都之旅"，它就应该自己决定：先查天气、再订机票、再订酒店、再排景点路线。如果发现机票价格过高，它要能自主重新调整方案，而不是每次都跑回来问"接下来怎么办"。这与传统的自动化脚本完全不同：脚本只能机械地按预设顺序执行，遇到预设之外的分支就死给你看；智能体却能在模糊、未完全定义的环境中持续推进。

2. 反应性（Reactivity） 环境会变。天气变了、机票售罄了、对方临时改时间了，智能体必须能感知这些变化并实时调整行为。这种反应不是简单的 if-else 分支，而是一种基于当前情境的连续决策。举例：你让一个购物智能体帮你抢限量球鞋，开售瞬间库存被抢光，智能体应当立刻切换策略——去其他平台找同款、加入候补名单、监控补货时间。它不能卡在"库存为零即退出"的死逻辑里。

3. 主动性（Proactivity / Goal-directedness） 这一点最容易被忽略，却是智能体和普通程序最根本的区别。普通程序是被动执行指令：你调我，我才动。智能体则带着"目标"在工作：它知道自己最终要达成什么，并会主动想办法去达成。一个对比：你让一个普通脚本"每小时检查一次服务器负载"，它会忠实地每 60 分钟执行一次。但你让一个智能体"保证服务器可用率不低于 99.9%"，它会自己决定什么时候去检查、发现负载高时主动扩容、发现异常流量时自动触发防护，并在深夜人类不在时也能自主决策。这就是主动性把"过程导向"变成"结果导向"的力量。

理解了这三大特征，你就拥有了一把"鉴定 AI 是否真的是智能体"的尺子。任何号称"我是智能体"的产品，你都可以拿这三个特征去检验它。如果它既不自主、也不反应、更不主动，那八成只是一个包装过的聊天机器人或脚本。

1.3 智能体简史：从 ELIZA 到 LLM Agent 的 60 年

理解了三大特征，我们再把时间拉长一点，看看"让机器像人一样自主行动"这个梦想，是怎么从 1966 年走到今天的。这一路并非直线，而是多次反复：兴起、泡沫、沉寂、再兴起。

1966 年：ELIZA，第一个让人类产生错觉的"聊天机器人" MIT 的 Joseph Weizenbaum 写了一个叫 ELIZA 的程序，模拟一位心理治疗师。它的实现方式极其简单：识别用户输入里的关键词，然后用模板回复。比如你说 "I am sad"，它会回 "Why do you say you are sad?"。就这么点逻辑，却让当时的用户产生了强烈的情感投射——很多人真的愿意向它倾诉。

但 ELIZA 没有体现出任何智能体特征：它没有目标，不能自主决策，也不会调用外部工具。它只能算是一个"对话界面"，距智能体尚有距离。

1972—1990 年代：专家系统的黄金时代与崩塌 到了 80 年代，"专家系统"（Expert System）成为主流。人们把某个领域（比如医学诊断、矿石勘探）的知识写成 if-then 规则，让机器像专家一样推理。著名的 MYCIN 系统能根据症状判断细菌感染并推荐抗生素，水平据说接近人类医生。

专家系统是"自主性"和"目标导向"的初步尝试，但极其脆弱——遇到规则覆盖不到的情况就完蛋。维护成本也高得离谱：每加一条新规则都要工程师人工梳理。1990 年代初，专家系统泡沫破裂，AI 进入了著名的"第二个冬天"。

1990—2010 年代：强化学习驱动的"真正"智能体 寒冬之后，AI 研究的重心转向统计方法和机器学习。其中一个分支——强化学习（Reinforcement Learning, RL）——保留了"智能体"的概念。RL 的核心是：让一个智能体在环境中不断试错，根据奖励信号学习最优策略。

这一阶段的代表作是 DeepMind 的 AlphaGo（2016）。它是一个真正的智能体：能感知棋盘状态（反应性）、能自主决定每一步落子（自主性）、目标明确——赢棋（主动性）。它击败李世石的那一刻，是智能体发展史上的标志性事件。

但这一阶段的智能体有明显的限制：它们大多是"专才"，一个智能体只会下棋，不会下棋又开车。要让它们具备通用能力，需要巨大的工程投入。

2022 年至今：LLM Agent 的爆发 真正的转折点出现在 2022 年底。OpenAI 发布 ChatGPT，全世界第一次大规模用上了"能理解自然语言、能推理、能写代码"的大型语言模型。人们突然意识到一件事：LLM 本身就是一个天然的推理引擎。如果在 LLM 外面包一层让它能观察环境、能调用工具、能记住历史的壳，它不就是一个通用智能体吗？

2023 年 3 月，一个叫 AutoGPT 的项目引爆了技术圈：它展示了 GPT-4 如何自主完成"研究市场、设计产品、写宣传文案、创建网站"这一整套任务。同年，BabyAGI、AgentGPT、MetaGPT 等项目如雨后春笋般涌现。到 2024 年，LangChain、AutoGen、CrewAI 等专业框架把"LLM Agent 开发"变成了一条成熟的工程流水线。

LLM Agent 与以往所有智能体最根本的不同在于：它拥有通用的语言理解和推理能力。它不再依赖针对每个领域手工写规则，而是用同一个大模型，配上不同的工具和记忆，去应对各种场景。这就是为什么我们说"智能体工程"在 2024 年正式成为一门独立学科——因为它有了通用的认知内核。

1.4 智能体 vs 聊天机器人 vs 自动化脚本：一张表看清边界

讲完历史，你可能还是会觉得有点晕："智能体、聊天机器人、自动化脚本，听起来都能让机器自动做事，区别到底在哪？"

我们用一张对比表来拆开看，再逐条解释。

| 维度 | 自动化脚本 | 聊天机器人 | AI 智能体 | |------|------------|------------|----------| | 决策方式 | 严格按预设顺序 | 规则匹配 / 单次 LLM 调用 | 自主推理 + 动态规划 | | 目标导向 | 弱（过程导向） | 无（回答问题导向） | 强（结果导向） | | 环境感知 | 无（输入固定） | 仅基于当前对话 | 持续感知 + 长期记忆 | | 工具调用 | 通过 API，但流程固定 | 几乎不调用 | 动态选择工具 | | 遇到错误 | 直接崩溃 | 给出"我不懂" | 自动重试或换策略 | | 典型例子 | Cron 定时任务、Excel 宏 | Siri、传统客服 | AutoGPT、AlphaGo |

逐条解释，让你真正理解为什么这些区别是本质的：

自动化脚本的边界——以手机里的"自动记账"脚本为例：它每周一早上 9 点把上周的消费从银行 App 导出来，按类别归类，算出总额，发到你的邮箱。它很高效，但只能做这一件事。如果你某天没消费，它就生成一份空报告；如果你某天消费了 50 笔，而它的规则里只预设了 10 个分类，剩下的就乱套。它没有任何自主判断能力。

聊天机器人的边界——以传统客服机器人为例：你说"我要退款"，它匹配到关键词"退款"，触发预设话术"请提供订单号"。你给了订单号，它又问"请说明退款原因"。你回答完，它说"已为您提交，1-3 个工作日处理"。整个过程看似流畅，但本质上它在你每句话之间"重启"——不记得你上一句说过什么，也不记得你三分钟前问过别的问题。LLM 版的 ChatGPT 改善了"理解"和"记忆"，但本质上还是"你问一句、它答一句"，没有持续的目标在驱动它。

AI 智能体的边界——同样是退款场景，一个真正的智能体客服会这样做：你说"我要退款"，它先调出你的历史订单（工具调用），发现你最近三个月退款了 5 次，于是主动思考"这位用户是否遇到了系统性问题？"——它不只处理本次退款，还主动排查是否有同类订单可以一并处理，再生成一份"潜在受影响订单报告"发给你。在这个过程中，它感知到了你没明说的信息（频繁退款），自主判断了需要多做一步（排查同类），并主动给出了你没要求的产出（报告）。这就是智能体的"自驱"。

当然，智能体不是万能的。它的代价是：不可预测性更强、运行成本更高、对底层 LLM 的能力依赖大。这正是为什么我们后面要专门讲怎么控制它、评估它、让它稳定运行。

1.5 第一个可运行的最小智能体：30 行代码实现 ReAct 循环

讲了这么多概念，是时候动手了。我们用约 30 行 Python 代码，从零搭建一个最简单的智能体——它能根据你的问题，自主决定是否需要调用计算器工具，然后再综合结果给你答案。

这种"推理 + 行动"交替进行的模式有个专门的名字：ReAct（Reasoning + Acting），由 Shunyu Yao 等人在 2022 年的论文《ReAct: Synergizing Reasoning and Acting in Language Models》中提出。它是当前几乎所有 LLM Agent 的基础骨架。

完整代码如下：

```python import openai import os

def calculator(expression: str) -> str: """一个最简工具：安全地计算数学表达式""" try: return str(eval(expression, {"__builtins__": {}}, {})) except Exception as e: return f"计算错误: {e}"

def run_agent(user_query: str, max_steps: int = 5) -> str: """ReAct 智能体主循环""" system_prompt = """你是一个会思考的智能体。请按以下格式回答： Thought: 你的思考过程 Action: calculator[数学表达式] ← 如果需要计算 Observation: ← 工具返回的结果会自动填到这里 ...（可重复 Thought/Action/Observation 多轮） Final Answer: 给用户的最终回答 """ messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_query} ]

for step in range(max_steps): response = openai.ChatCompletion.create( model="gpt-4o-mini", messages=messages, temperature=0 ) content = response.choices[0].message["content"] messages.append({"role": "assistant", "content": content})

if "Final Answer:" in content: return content.split("Final Answer:")[-1].strip()

if "Action: calculator" in content: expr = content.split("calculator[")[1].split("]")[0] obs = calculator(expr) messages.append({"role": "user", "content": f"Observation: {obs}"})

return "已达最大步数，未给出最终答案"

if __name__ == "__main__": os.environ["OPENAI_API_KEY"] = "sk-..." print(run_agent("如果一件商品原价 480 元，先打 8 折，再打 9 5 折，最后多少钱？")) ```

代码逐段拆解：

第 1-6 行是工具函数 `calculator`。它就是智能体的"手"——能算数学题。这里用 `eval` 配合白名单的方式实现了一个最简版本，真实工程中会用更安全的方案（比如 sympy 库）。

第 8-12 行是 `run_agent` 函数。它做了三件事：构造一个 system prompt 告诉 LLM 要按"思考—行动—观察—最终答案"的格式输出；初始化 messages 列表（这就是智能体的"短期记忆"）；进入主循环。

第 14-31 行是核心循环。每一步里： 1. 把当前累积的所有消息送给 LLM，让它继续思考； 2. 把 LLM 的回复追加到 messages 里； 3. 如果回复里出现 "Final Answer:"，说明 LLM 已经得出最终结论，跳出循环返回； 4. 如果出现 "Action: calculator[...]"，说明 LLM 想调用计算器，我们帮它调用，把结果作为 Observation 塞回 messages，让它下一轮继续推理。

让我们手动模拟一下，LLM 对"480 元先打 8 折再打 95 折"的思考过程：

> Thought 1: 我需要先算 8 折，再算 95 折。先算第一个。 > Action: calculator[480 * 0.8] > Observation: 384.0 > > Thought 2: 480 元的 8 折是 384 元。接下来算 95 折。 > Action: calculator[384 * 0.95] > Observation: 364.8 > > Thought 3: 最终结果 364.8 元。 > Final Answer: 364.8 元

整个过程体现了智能体的核心特征：它自主决定要分两步计算，自主选择调用什么工具，自主把工具结果整合成最终答案。如果中间任何一步算错了，LLM 会在下一步的 Thought 里意识到"这个 Observation 不对"，然后换一种方式重算。这就是 ReAct 的精髓——推理和行动在每一步里交替进行，而不是分开进行。

注意几个工程细节：

• `temperature=0` 让 LLM 输出尽量稳定可复现，是生产环境智能体的常用配置；
• `max_steps=5` 防止智能体陷入死循环，超过 5 步强制终止；
• messages 列表在循环中不断增长，这就是智能体的"工作记忆"——它能"看到"自己之前所有的思考和行动。

这 30 行程序虽然简陋，却已经包含了真实智能体工程的全部关键要素：LLM 作为推理引擎、工具作为行动能力、循环作为自主性来源、messages 作为短期记忆。后面章节会逐一把这些要素拆开做大：第 3 章讲工具设计，第 4 章讲记忆系统，第 5 章讲规划能力。

1.6 智能体核心循环：图解"感知—推理—行动—反馈"

为了让你对上面那个循环有更直观的理解，我们画一张流程图，把它和"普通 LLM 单次调用"放在一起对比。

```mermaid flowchart TD A[用户提出目标] --> B[感知环境 收集上下文] B --> C[推理决策 Thought 决定下一步] C --> D{需要使用工具?} D -- 是 --> E[调用工具 Action] E --> F[观察结果 Observation] F --> C D -- 否 --> G[生成最终答案 Final Answer] G --> H[交付给用户] H --> I{目标达成?} I -- 否 --> B I -- 是 --> J[任务结束]

K[普通 LLM 调用] --> L[一次性输出回答] L --> H ```

这张图揭示了智能体和普通 LLM 调用的本质区别：

普通 LLM 调用（图中底部那条路径）只有"输入→输出"两步。你问，它答；问完结束，没有循环，没有反思，没有工具调用。它像一个考试答题的学生——一次性把答案写完交卷。

智能体循环（图中主干道）有四个核心节点：

• **感知（Perceive）**：把当前环境信息——包括用户输入、之前的历史动作结果——收集起来，作为下一步推理的依据；
• **推理（Reason）**：LLM 根据感知到的所有信息，决定下一步该做什么。这里输出的不是给用户的答案，而是给自己看的"内心独白"；
• **行动（Act