> ## Documentation Index > Fetch the complete documentation index at: https://labs.prompthon.io/llms.txt > Use this file to discover all available pages before exploring further. # 智能体是什么

需要帮助？

## 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。这个循环随后重复，形成一个**自我修正且自适应的循环**。关键在于，智能体并不是由某一次决策或响应定义的，而是由这个持续过程定义的。它的智能来自随着时间迭代改进行动的能力。换句话说，智能体从根本上是一个**持续运行的闭环系统**，而不是一次函数调用。 *** ### 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。这个过程形成一个循环，让智能体能够根据中间结果持续优化输出。 *** ### 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 ```mermaid theme={null} flowchart TD Start["用户请求 / 目标"] --> Observe["观察"] Observe --> Think["思考 / 规划"] Think --> Memory["记忆访问"] Think --> Tool["工具选择"] Memory --> Act["行动 / 执行"] Tool --> Act Act --> Reflect["反思 / 评估"] Reflect --> Decision{"目标是否达成？"} Decision -- 否 --> Observe Decision -- 是 --> Output["最终输出"] ``` ## 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）。一个有用的心智模型是：把 LLM 看作“大脑”，把工具看作“四肢”。延伸这个类比，后端系统就像神经系统：它并不执行生物意义上的信号传递，而是解析模型输出，将其映射为结构化函数调用，并通过程序逻辑路由来触发工具执行。正是这一层完成了从决策到行动的转变，把抽象推理转化为具体操作。本质上，现代智能体不只是一个模型，而是一个协调起来的组件系统。智能来自推理、工具、记忆和控制逻辑之间的交互。 ## 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。本质上，让智能体强大的同一组属性，即循环、自主性和工具使用，也会引入必须在真实系统中谨慎管理的**成本、风险和工程挑战**。 ## 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 * 下一篇：[第 1.3 章智能体系统是什么？](/zh-Hans/foundations/agent-systems/what-is-agent-system) * [智能体与工作流](/zh-Hans/foundations/agents-vs-workflows) * [智能体记忆与检索](/zh-Hans/patterns/agent-memory-and-retrieval) * [基础概览](/zh-Hans/foundations) ## 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。