第1章 初入AI世界：认识你的第一个智能体伙伴

你攥着刚打印好的工牌，站在AI公司18楼的办公区门口，鼻尖飘着隔壁茶水间飘来的拿铁香气，脑子里还在反复背导师刚才说的“Agent核心框架”——要是背不出来，今天这个入职第一天怕是要当场社死。这时一个穿格子衫、戴黑框眼镜的男生端着杯子走过来，工牌上写着“高级算法导师 林默”，他冲你笑了笑：“第一天紧张？走，先去你工位，我让你先见个‘同事’。”

你跟着他走到靠窗的位置，发现工位上除了崭新的笔记本和显示器，还摆了个白色的小音箱，正亮着柔和的呼吸灯。“这是我们的新同事？”你愣了愣。林默笑着按了下音箱顶部的按键：“这是我们的第一个Agent伙伴，小智。你先跟它聊两句试试。”你试探着开口：“小智，帮我查下明天北京到上海的机票。”不到三秒，音箱里传来甜美的女声：“已为您查询到明天北京到上海的最优航班：国航CA1831，07:55起飞，10:10落地，经济舱价格680元，符合您过往偏好‘优先选择上午出发、价格低于1000元’的航班，需要为您预订吗？”

你瞬间惊了：“它怎么知道我喜欢上午出发？我没告诉过它啊？”林默拉过椅子坐下，指尖敲了敲桌面：“这就是Agent和之前你用的所有软件、甚至和大模型都不一样的地方。今天我们就从认识这个‘数字实习生’开始，搞懂到底什么是AI Agent。”

1.1 你早已见过的Agent雏形

“先问你个问题，”林默递过一杯刚接好的温水，“你平时用Siri、小爱同学、或者抖音的智能客服吗？”你点点头，这些智能助手你天天用，设闹钟、查天气、问快递进度，早就习以为常。“其实这些就是最早的Agent雏形，我们叫它们‘窄域Agent’——也就是只能在固定领域里干活的Agent。”林默调出手机里的Siri，“你看，你让它放音乐它能放，让它定闹钟它能定，但你要是让它‘帮我筹备下周的产品发布会’，它只会跟你说‘抱歉，我不太明白你的意思’。”

你回想了一下，确实是这样，之前你试过让Siri帮你整理出差行程，它只会给你查机票，不会帮你订酒店、同步日程、发提醒，所有步骤都得你自己来。“那现在的Agent和这些智能助手有什么区别？”你问。

“区别就在于‘能不能自主完成任务’。”林默点开电脑上的一个演示视频，是某个Agent自动处理客户投诉的全流程：收到客户发的投诉截图之后，Agent自动识别截图里的订单号和投诉内容，去后台系统里查订单信息，核对物流记录，自动生成回复话术，发给客户确认，最后把投诉原因同步到产品部门的群聊里，整个流程完全不用人插手。“之前的智能助手只能执行你明确说出来的指令，相当于你让它做什么它才做什么，稍微复杂点的任务就搞不定；而现在的Agent，你只要告诉它‘目标是什么’，它自己会拆解任务、调用工具、调整方案，直到把事办成。”

> 📌 新手小贴士（电子版侧边栏）：如果你之前没怎么用过智能助手，现在就可以拿出手机试试：跟Siri说“帮我定一个明天下午3点的开会提醒，主题是产品评审”，再跟它说“帮我规划一个周末去青岛的两日游，预算2000以内”，你会发现第二个指令它根本处理不了——这就是窄域Agent和通用Agent的核心区别。

你突然想起之前用的ChatGPT，赶紧问：“那我平时用的ChatGPT算Agent吗？”林默笑了笑：“算半个。ChatGPT属于大语言模型，是Agent最核心的‘大脑’，但光有大脑不够，Agent还得有‘眼睛’‘耳朵’‘手’和‘笔记本’，能接收信息、能干活、能记住事，这些是ChatGPT本身没有的。你可以把大模型当成刚毕业的知识型实习生，什么都懂点，但得你一步步告诉它做什么；而Agent是经过培训的职场实习生，你只要说清楚目标，剩下的他自己能搞定。”

1.2 数字实习生：搞懂Agent的三大核心身份

林默在白板上写了三行字：传统程序、大语言模型、AI Agent，旁边画了个 graduat 的卡通形象。“我们用这个‘数字实习生’的比喻，就能把三者的区别讲得清清楚楚。”

1.2.1 传统程序：只会按流程走的流水线工人

“首先说传统程序，比如你用的计算器、Excel、自动贩卖机，这些都是传统程序。”林默在白板上写了“固定规则、被动响应”八个字，“你可以把传统程序当成工厂里的流水线工人，你给他什么原料，他就按照预设的流程加工，给你成品，不会多一步也不会少一步。比如你让Excel算A1到A10单元格的和，它会立刻给你结果，但不会提醒你‘你这组数据里有三个异常值，要不要先处理’，因为它没有决策能力，只能按预设的公式走。”

你点点头，想起之前公司做的自动化报表工具，每次数据源变了就得找开发改代码，不然就报错，这就是传统程序的局限——规则一旦变了，就没用了。“那传统程序是不是就没用了？”你问。“当然不是，规则明确、重复性高的任务，传统程序比Agent效率高得多，比如你算个总和、发个固定模板的邮件，用传统程序一秒就能搞定，不用费劲搞Agent。Agent适合的是规则不明确、需要灵活决策的复杂任务。”

1.2.2 大语言模型：知识渊博但不会主动干活的实习生

“接下来是大语言模型，也就是你平时用的ChatGPT、文心一言这些。”林默在白板上画了个博士帽的卡通形象，“你可以把大模型当成刚毕业的知识型实习生，博览群书，上知天文下知地理，能写文案、改代码、做翻译，甚至能跟你聊哲学聊人生，但他有个问题：你得把任务拆得清清楚楚告诉他，他只会‘动手做’，不会‘动脑想’。”

林默调出ChatGPT的对话界面，给你看了一段对话：用户输入“帮我筹备产品发布会”，ChatGPT回复“好的，请问你需要我做什么？是拟嘉宾名单，还是做物料清单，还是写邀请函？”。“你看，你得一步步告诉他做什么，他不会自己主动去查场地、看嘉宾档期、算预算，要是你什么都不说，他就只会跟你说‘请问需要我做什么’，不会自己推进任务。”

> ❌ 常见误区（电子版侧边栏）：很多初学者会以为Agent就是“套了个壳的大模型”，这是最大的误解。大模型只是Agent的“大脑”，负责理解和生成内容，而Agent的核心是“自主完成任务的能力”，需要结合感知、执行、记忆等模块，才能真的像人一样干活。

1.2.3 AI Agent：会主动思考的靠谱实习生

“最后就是AI Agent，也就是我们今天要讲的核心。”林默在白板上的“AI Agent”旁边画了个戴着工牌的实习生形象，“你可以把Agent当成不用你操心的靠谱实习生，你只要跟他说‘目标是什么’，剩下的他自己来：他会自己拆解任务，自己查资料，自己判断优先级，遇到问题自己调整方案，还会记住你之前提过的要求，比如‘预算不超过5万’‘嘉宾优先选行业内的技术专家’，不会做出格的事。”

林默举了个例子：“比如你跟Agent说‘帮我筹备下周的产品发布会’，他会自己先去查你的日程，看下周哪天有空，再去查可用的场地，对比价格和档期，再拟嘉宾名单，发邀请函，跟进物料制作，每天给你发进度汇报。要是场地订满了，他会自动找备选场地，不会卡壳等着你告诉他怎么办。要是你之前说过‘预算不超过5万’，他不会订超出预算的场地，更不会给你报虚价。”

你瞬间就懂了，这不就是每个老板都想要的“靠谱实习生”吗？不用天天盯着，给个目标就能自己出成果，还能记住老板的喜好，不会犯低级错误。

1.3 Agent的四大核心模块：数字实习生的“四肢和大脑”

“光有比喻还不够，我们得搞懂Agent到底是怎么工作的。”林默在白板上画了个循环图，四个圈分别标着“感知、决策、执行、记忆”，箭头围成一圈，“这四个模块就是Agent的‘四肢和大脑’，缺了哪个都算不上真正的Agent。”

```mermaid graph LR A[感知模块<br>（眼睛/耳朵）] --> B[决策模块<br>（大脑）] B --> C[执行模块<br>（双手）] C --> D[记忆模块<br>（笔记本）] D --> A ``` > 图1-1 Agent四大核心模块循环图

1.3.1 感知模块：接收所有输入信息的“五感”

“首先说感知模块，相当于Agent的五感，负责接收所有来自外部的信息。”林默敲了敲白板上的“感知”圈，“这些信息不只有你发的文字，还有语音、图片、文件，甚至能接入公司的内部系统，读取ERP里的销售数据、CRM里的客户信息、OA里的日程安排。”

他调出一个客户服务的Agent演示视频：用户发了一张快递破损的截图，Agent首先用OCR技术识别截图里的快递单号，然后去物流系统里查这个快递的运输记录，再去CRM里查这个用户的会员等级，判断是直接退款还是补发，整个过程只用了几秒钟。“你看，这个Agent的感知模块不仅能‘看’懂图片里的文字，还能‘读’懂后台系统里的数据，相当于同时长了眼睛、耳朵和数据库查询的能力。”

现在的Agent能感知的模态越来越多，从最早的只能处理文本，到现在能处理语音、图片、视频，甚至3D模型。比如给工业设计的Agent发一个产品的3D模型，它能自动分析结构强度，找出设计漏洞，给出优化建议，这就是多模态感知的能力。

1.3.2 决策模块：Agent最核心的“大脑”

“决策模块是Agent最核心的部分，也是它和大模型最大的区别所在。”林默特意在“决策”圈上画了个加粗的圈，“大模型只能生成文本，而Agent能基于感知到的信息，结合自己的目标，做出合理的决策。”

他打开一个Agent处理报销申请的演示：员工发了一张发票照片，说“帮我报销这张发票”，Agent首先感知到发票上的金额是1200元，消费类别是“办公用品”，然后去记忆模块里调取公司的报销规则：办公用品单张发票超过1000元需要部门总监审批，然后去OA系统里查这个员工的部门总监是谁，接着生成报销申请，自动发给总监审批，最后给员工发个消息说“报销申请已提交，总监审批通过后会打款到你的工资卡”。“你看，这个决策过程是Agent自己完成的：它知道要先核对金额，再查规则，再找审批人，不用你一步步告诉它怎么做。”

林默补充道：“现在Agent的决策大多用‘思维链’技术，就是把思考的过程一步步写出来，既能让用户知道它为什么做这个决定，也能方便开发者调试。比如刚才的报销Agent，它会给你看它的思考过程：‘1. 识别发票金额1200元，超过办公用品报销阈值1000元；2. 调取公司规则，需要总监审批；3. 查询员工所属部门为产品部，总监为张三；4. 生成申请发送给张三’，这样你就能知道它是不是哪里算错了。”

1.3.3 执行模块：真的把事办成的“双手”

“决策做完之后，就得靠执行模块真的把事办成。”林默敲了敲白板上的“执行”圈，“执行模块相当于Agent的双手，能调用各种工具，真的去干活：比如写文档、发邮件、订机票、改代码、操作软件，甚至能控制智能设备。”

他调出一个智能办公Agent的演示：你跟Agent说“帮我准备下周的产品评审会”，Agent首先决策出需要做的事：订会议室、发会议邀请、整理上周的产品数据、生成汇报PPT。然后它开始执行：先去日历系统里查下周大家都有空的时段，订了周三下午2点的小会议室，然后给所有参会人发会议邀请，附上议程；接着去数据库里拉上周的产品数据，自动生成数据报表；最后用PPT工具生成汇报PPT，把数据图表放进去，最后把PPT上传到会议室的共享盘里，给你发个消息说“会议准备已完成，PPT在共享盘里，你可以预览下有没有要改的”。“你看，整个流程全是Agent自动完成的，你不用手动订会议室、不用拉数据、不用做PPT，省了好多时间。”

> 📌 新手小贴士（电子版侧边栏）：现在的Agent已经能对接绝大多数常用的办公软件，比如飞书、钉钉、企业微信、Office、PS等等，只要平台开放了接口，Agent就能调用，不用你自己写代码对接。

1.3.4 记忆模块：越用越懂你的“笔记本

记忆模块：越用越懂你的“笔记本”

你顺着林默的指尖看向白板上的“记忆”圈，他指尖一转，在圈旁边画了个带锁的笔记本图案：“记忆模块就是Agent的专属笔记本，负责存所有跟用户、任务相关的信息，而且这个笔记本只有Agent自己能看，不会随便泄露你的隐私。”

“等等，”你举手打断，“我之前用ChatGPT的时候，它不也有上下文记忆吗？我上句话说什么它下一句能接上，这跟Agent的记忆有什么区别？”林默点了点头，这正是大多数初学者都会混淆的点：“大模型的‘上下文记忆’是临时的，就像你开会的时候记的笔记，会议结束笔记本一扔，下次开会你什么都不记得；而Agent的记忆是持久化的，会存在专门的数据库里，下次对话、甚至过了几个月再用，它都能记起来。”

他调出之前那个客户服务Agent的后台记录，给你看了一段对话：三个月前有个用户跟Agent吐槽过“我每次买你们家的护肤品都过敏，以后再也不买了”，Agent把这个信息记到了用户的个人档案里，昨天这个用户又来问“你们家有没有适合敏感肌的水乳”，Agent直接回复“根据您之前的反馈，您对普通护肤品过敏，我们刚上线了针对敏感肌的专属系列，成分都是无添加的，需要我给您发试用装链接吗？”。“你看，这个用户三个月前说的话，Agent到现在都记得，而且能结合这个信息给出精准的回复，这就是持久化记忆的作用。”

林默把记忆模块分成了两类，在白板上写了两个小标题：

• **短期记忆**：相当于你开会时的草稿纸，记当前对话、当前任务的相关信息，比如用户刚才说“预算不超过5万”“嘉宾优先选技术专家”，这些信息在当前任务结束前都会存在短期记忆里，方便Agent随时调用。短期记忆一般存在上下文的缓存里，任务结束之后可以选择性存入长期记忆，或者直接清空。
• **长期记忆**：相当于你的个人笔记本，记所有长期有效的信息，比如用户的偏好、公司的规则、过往的任务经验，这些信息会存在专门的向量数据库里，哪怕过了很久，Agent也能通过语义检索快速找到。比如你之前跟Agent说过“我周五晚上要接孩子，不要安排会议”，它会一直记着，以后每次给你排日程的时候都会自动避开周五晚上。

你突然想起之前用某个旅行APP的时候，你搜过一次“带老人出行的酒店”，之后每次打开APP它都给你推适合老人的酒店，原来这就是记忆模块的应用，只是之前你没往Agent的方向想。

> 📌 新手小贴士（电子版侧边栏）：Agent的记忆不是“越大越好”，过量的无效信息反而会让Agent决策变慢、变不准。所以现在很多Agent都会做“记忆剪枝”，定期清理没用的短期记忆，只保留长期有价值的信息，就像你会定期整理笔记本，把没用的草稿纸撕掉一样。

讲完记忆模块，林默把白板上四个圈连起来的循环图旁边，加了个具体的任务流程：“我们刚才讲了四个模块各自的作用，现在把它们串起来，看看一个完整的Agent任务是怎么跑的。”他点开了之前那个筹备产品发布会的Agent演示，一边放一边讲解： 1. 感知阶段：你输入“帮我筹备下周的产品发布会”，Agent的感知模块首先接收你的文字指令，同时调取OA系统的日程数据、公司的预算规则、过往发布会的资料，把所有相关信息都收集起来。 2. 决策阶段：决策模块基于收集到的信息，拆解任务：首先查你的日程，发现下周三、周四你有空；然后查可用的会议室，周三下午的小会议室还没被订；然后拟嘉宾名单，优先选你之前提过的“技术专家”偏好；然后算预算，场地费2万、嘉宾出场费1.5万、物料费1万，总共4.5万，符合你之前说的“不超过5万”的预算。 3. 执行阶段：执行模块按照决策的结果，一步步干活：先订了周三下午2点的小会议室，然后给参会嘉宾发邀请函，然后拉取上周的产品数据生成报表，然后做发布会的PPT，最后把所有资料同步到你的飞书文档里。 4. 记忆阶段：记忆模块把这次任务的关键信息存下来：你下周三下午要开产品发布会、你偏好技术类嘉宾、你的活动预算是5万以内，下次你再让Agent筹备活动的时候，它会直接调用这些信息，不用再问你一遍。

```mermaid graph TD A[用户输入目标：筹备产品发布会] --> B[感知模块：收集日程/预算/规则等信息] B --> C[决策模块：拆解任务/制定计划/核对规则] C --> D[执行模块：订会议室/发邀请/做PPT等] D --> E[记忆模块：存储任务关键信息] E --> F[返回结果给用户：筹备完成] F --> A ``` > 图1-2 Agent执行完整任务流程图

你看着流程图恍然大悟：“原来Agent是这么转起来的，就像一个不停循环的机器，接收信息、做决定、干活、记事情，然后接着接收下一个信息。”林默点了点头：“没错，这个循环就是Agent最核心的工作原理，后面的所有Agent开发，都是围绕这四个模块做优化。”

1.4 Agent vs 传统程序 vs 大模型：到底哪里不一样？

讲完四大模块，林默在白板上画了个三列对比表，把三种东西的核心差异列得清清楚楚：“很多新人刚入行的时候，总搞不清这三者的区别，我们这次一次性讲透。”

| 对比维度 | 传统程序 | 大语言模型（LLM） | AI Agent | |------------------|------------------------------|------------------------------|------------------------------| | 核心能力 | 按预设规则执行固定流程 | 基于训练数据生成文本/内容 | 自主拆解任务、决策、调用工具完成目标 | | 响应方式 | 被动响应，你输入什么它输出什么 | 被动响应，需要你明确指令 | 主动推进，你只要说目标，它自己想办法完成 | | 灵活性 | 极低，规则变了就用不了 | 高，能处理各种文本类问题 | 极高，能结合外部信息调整方案 | | 是否需要工具调用 | 不需要（除非提前写死） | 原生不支持，需要额外开发 | 原生支持，能动态调用各种工具 | | 记忆能力 | 无（除非提前写死存储逻辑） | 临时上下文，对话结束就消失 | 持久化记忆，长期保存用户信息 | | 适用场景 | 规则明确的重复性任务（如计算、发固定模板邮件） | 内容生成、问答、翻译等文本类任务 | 复杂多步骤任务（如筹备活动、处理投诉、数据分析） | | 典型例子 | 计算器、Excel、自动贩卖机 | ChatGPT、文心一言、通义千问 | 智能客服Agent、办公助手Agent、自动驾驶Agent |

> 表1-1 传统程序、大模型、AI Agent核心对比表 > 📖 纸书小贴士：建议读者把这张表抄在笔记本上，后续学习遇到概念混淆的时候，对照这张表就能快速理清三者的边界。

你盯着表格看了半天，突然想起上周你让公司行政帮你订出差机票，你给了她三个要求：1. 价格不超过1500；2. 尽量上午出发；3. 不要经停超过1次。她花了半小时帮你找了好几个选项发给你，还特意标注了哪个最符合你的要求。