AI Agent 简介 | 菜鸟教程

AI Agent（人工智能智能体）是一种能够根据目标自主决定部分操作步骤，并调用工具完成任务的 AI 系统。
与主要用于问答、文本生成的 AI 助手不同，Agent 不只是提供答案，还可以在获得相应权限后执行操作。例如，读取文件、查询数据库、运行代码、调用 API，或者操作其他软件。
假设你有一份销售数据，需要整理并生成图表。
使用普通的 AI 聊天工具，你可能需要先上传数据，再分别提出分析和绘图要求；而具备文件读取和代码执行能力的 Agent，可以根据任务要求，自动读取数据、分析结果、生成图表，并保存到指定位置。
简单来说，AI Agent 的重点不是能回答多少问题，而是能够调用工具，把任务一步步完成。
一个典型的 LLM Agent 通常涉及以下几个部分：
这些模块并不是所有 Agent 都必须具备的独立组件。简单的 Agent 可能只需要模型和工具，复杂系统则可能加入任务规划、长期记忆和多 Agent 协作等能力。
大语言模型（LLM）主要负责处理输入并生成输出，而 Agent 是围绕模型构建的任务执行系统。
两者并不是相互替代的关系。大语言模型通常是 Agent 的核心组件之一，Agent 则在模型基础上增加工具调用、执行控制和状态管理等能力。
例如，用户提出"分析最近三个月的网站访问数据，并生成一份报告"。
普通 LLM 应用通常需要用户提供数据，再根据数据进行分析；而具备相关权限的 Agent，可以调用统计接口获取数据、使用 Python 计算指标、生成图表，最后整理成报告。
需要注意，现代 AI 聊天应用也可能具备工具调用和自动执行能力，因此普通 AI 助手与 Agent 之间并没有绝对的技术界限。
Agent 的核心工作方式是根据任务目标不断执行操作，并利用执行结果决定下一步做什么。
一种常见的实现模式是 ReAct（Reasoning and Acting），即将推理与行动结合起来。
例如，让 Agent 完成"读取 Excel 文件，统计各地区销售额并生成柱状图"：
如果读取文件失败，Agent 可以根据错误信息尝试修正文件路径，或者向用户询问文件位置。
这种根据执行结果持续调整操作的方式，是 Agent 区别于简单固定流程自动化的重要特点之一。
不过，ReAct 并不是 Agent 唯一的实现模式。实际开发中，也可以采用预先规划、工作流编排或者模型直接调用工具等方式。
一个 Agent 系统通常由模型、工具和执行控制逻辑组成。根据任务复杂程度，还可以增加记忆、规划以及多个 Agent 之间的协作能力。
任务规划负责将用户提出的目标转化为具体操作。
例如，用户要求"分析公司上季度的销售情况"，Agent 可以将任务拆分为：
对于简单任务，Agent 不一定需要提前生成完整计划，也可以根据工具返回的结果逐步决定下一步操作。
Agent 在执行任务时，需要记录必要的信息，例如用户要求、已完成的步骤和工具返回结果。
例如，Agent 可以在任务过程中记录已经处理过的文件，避免重复执行；也可以在获得授权后保存用户偏好，供后续任务参考。
长期记忆并不是所有 Agent 的必需功能。对于一次性的文件转换、数据查询等任务，保存当前执行状态通常就足够了。
工具调用是 Agent 执行实际操作的重要方式。
模型本身不能仅凭生成文本就修改本地文件或操作数据库。Agent 需要通过外部程序、API 或运行环境完成这些操作。
在实际开发中，这些工具可以通过函数调用、MCP（Model Context Protocol）或其他集成方式提供给 Agent。
Agent 能做什么，通常取决于它被授予了哪些工具和操作权限。
不同的 Agent 在能力上存在差异，但通常具有以下几个特点：
并不是所有 Agent 都必须具备学习能力，也不意味着 Agent 会在使用过程中自动更新模型参数。
大多数应用主要通过上下文、外部知识库和记忆机制改善后续执行效果，而非直接重新训练底层模型。
Agent 并不是大语言模型出现之后才提出的概念。人工智能领域早在几十年前就已经开始研究能够感知环境、作出决策并采取行动的智能体。
近年来，随着大语言模型的出现，Agent 的自然语言理解、任务规划和工具调用能力得到了明显提升。
从早期的规则系统，到今天基于大语言模型的 Agent，智能体技术逐渐从特定任务的自动化，发展到能够理解自然语言并调用多种工具完成任务的系统。
除了使用一个 Agent 完成整个任务，还可以让多个 Agent 分别负责不同工作，这种方式称为多 Agent（Multi-Agent）协作。
例如，在软件开发项目中，可以安排不同的 Agent 承担不同职责：
实际系统也可以让多个 Agent 并行工作。例如，前端 Agent 和后端 Agent 分别开发不同模块，最后由测试 Agent 进行集成检查。
多 Agent 并不一定比单 Agent 更好。多个 Agent 需要交换上下文、协调任务和处理冲突，可能增加运行成本与系统复杂度。
对于简单任务，通常使用一个 Agent 更直接；只有当任务可以明确拆分，或者需要不同专业能力时，多 Agent 协作才更有价值。