摘要
智能体是一种以目标为导向的系统，能够持续感知环境、做出决策，并采取行动以实现期望结果。它不是一个静态模型，而是作为一个持续运行的循环工作：在动态周期中观察、推理和行动，并适应变化的条件。本节会帮助你理解智能体与独立模型的区别，理解这种感知-决策-行动循环如何构成智能行为的核心，以及这类系统如何在真实场景中被设计和应用。为什么这很重要
传统程序和独立模型天然受限：它们执行预定义逻辑，或产生一次性输出，却无法长期适应、保持状态或追求目标。智能体之所以重要，是因为它们把静态计算转变为持续的、以目标为驱动的行为。 自主性减少了对持续人工干预的需求，让系统可以在动态环境中独立运行。工具使用把能力扩展到单个模型之外，使系统能够与外部系统、数据源和现实动作交互。最重要的是，智能体的循环本质，即持续观察、推理和行动，使它能够处理无法通过单次响应解决的复杂多步骤任务。 本质上，智能体代表了一种从“执行”到“行为”的转变：从只响应一次的系统，走向能够行动、适应并随时间改进的系统。理解这种转变，是构建实用、可扩展并能贴合现实复杂性的智能系统的关键。心智模型
智能体的核心是一个闭环决策系统，而不是一次性计算。智能体不是简单的线性流水线，而是通过持续循环运行： Observe → Think → Act → Reflect → Loop- Observe：智能体通过用户查询、传感器数据或外部信号等输入感知环境。
- Think：它使用模型（例如 LLM）、规则或规划策略，对观察到的信息进行推理，并决定下一步做什么。
- Act：智能体执行动作，例如调用工具、生成输出或与环境交互。
- Reflect：它评估行动结果，把反馈、错误或新信息纳入后续行为调整。
示例：每日新闻观察者
设想一个用于生成新闻摘要的每日新闻观察者智能体：- Observe：智能体接收请求（例如“总结最新 AI 新闻”），并从一组来源抓取文章。
- Think：它决定哪些文章相关，按主题筛选，并决定如何组织内容。
- Act：它检索、解析并总结选中的文章，形成结构化报告。
- Reflect：它评估结果是否完整且连贯，并在必要时调整。
这与传统脚本有何不同
虽然这个工作流看起来可能类似脚本化流水线，但智能体的行为有根本不同：- 动态决策 传统脚本遵循固定步骤序列。 智能体会根据中间结果决定每一步做什么（例如保留哪些文章、如何总结它们）。
- 上下文感知推理 脚本依赖预定义规则。 智能体解释输入（例如“最新 AI 新闻”），并据此调整行为。
- 灵活控制流 脚本的控制流是静态的。 智能体可以根据结果循环、修正或分支（例如结果不足时重新抓取或重新总结）。
- 语言智能集成 脚本以确定性方式处理结构化数据。 智能体使用模型处理文本等非结构化数据，从而支持总结、筛选和推理。
架构图
工具生态
现代智能体不是作为单一模型构建的，而是把推理、行动和记忆组合为一个整体的多组件系统。这种模块化设计让智能体能够超越简单响应，处理复杂的真实任务。- LLM（推理核心）：通过解释输入并生成计划来决定要做什么。
- 工具（行动层）：通过与外部系统交互并执行动作来扩展能力。
- 记忆（上下文层）：提供跨步骤连续性，支持上下文保留和适应。
- 框架（编排层）：把组件组织和协调为可运行的系统（例如 LangChain、AutoGen）。
取舍
虽然智能体释放了强大能力，但这些特性也带来重要取舍。- 循环成本（延迟 / token / 复杂度）： 持续的观察-思考-行动循环会引入额外延迟和更高 token 使用量。多步骤推理、重试和反思会增加系统复杂度，让性能优化和成本控制更具挑战。
- 自主性风险（错误或非预期行动）： 更高自主性意味着智能体可以在没有持续人工监督的情况下行动，但这也会引入错误决策、不安全动作或误解目标的风险，尤其是在开放环境中。
- 工具依赖（系统可靠性）： 智能体依赖外部工具和 API 来行动。这些依赖的失败，例如 API 错误、延迟尖峰或不一致输出，会直接影响智能体行为和整体系统稳定性。
引用
- Wooldridge, M., & Jennings, N. R. (1995). Intelligent Agents: Theory and Practice
- Xi, Z., Chen, W., Guo, X., et al. (2023). The Rise and Potential of Large Language Model Based Agents
延伸阅读
更新日志
- 2026-04-20：初始脚手架。
- 2026-05-04：完成核心内容，包括定义、心智模型、工具生态、取舍、示例和引用。