什么是 AI Agent

「Agent」这个词在 2025 年被用得很宽泛。有的产品把一个带联网搜索的对话框也叫 Agent，有的把一段调用 API 的脚本也叫 Agent。要判断一个系统是不是 Agent，看它有没有闭环：能不能根据执行结果决定下一步做什么。

三个组成部分

一个 Agent 通常包含三块：

1. 模型：负责理解当前状态和决定下一步。
2. 工具：能被模型调用的能力，比如搜索、读写文件、执行代码、调用业务 API。
3. 循环：把「执行结果」回喂给模型，让它继续决策，直到任务完成或达到停止条件。

缺了第三点，就不是 Agent，而是一次「模型调用 + 固定后处理」。

目标 → 观察当前状态 → 模型决策 → 调用工具 → 得到结果 → 回到观察
                                              ↑______________|

与聊天、与脚本的区别

	普通聊天	脚本自动化	Agent
步骤由谁决定	用户逐轮提问	代码写死	模型根据结果决定
能否使用外部工具	通常不能	能	能
遇到意外情况	需要用户补充	直接失败	可能自己换路径
结果可预测性	中	高	低

一句话概括：脚本是「人想清楚步骤」，Agent 是「模型边做边想」。步骤明确且要反复执行的任务，脚本更可靠；步骤无法预先穷举的任务，才轮到 Agent。

工具调用是怎么发生的

主流实现是 function calling（不同厂商叫法不同，机制一致）：把可用工具的名称、参数结构、说明一起交给模型，模型输出「我要调用哪个工具、参数是什么」，由程序真正执行，再把返回值作为新消息放回上下文。

{
  "name": "search_docs",
  "arguments": { "query": "Astro content collections glob loader" }
}

关键点在于：模型不直接执行工具，它只输出意图。真正执行的是你的代码，所以权限、超时、重试、审计都在你的控制范围内。

记忆与规划

• 短期记忆：就是当前的对话上下文，受上下文窗口限制。
• 长期记忆：把关键信息写到外部存储（文件、数据库、向量库），需要时检索回来。
• 规划：把大目标拆成子任务。常见模式有边想边做（ReAct 风格）和先规划再执行两种，前者更灵活，后者更可控。

上下文窗口是硬约束。任务越长，历史信息越容易被压缩或丢弃，这也是 Agent 跑长任务时“忘记前面做过什么”的原因。

局限

1. 错误会累积：每一步都有失败概率，二十步之后整体成功率可能低到不可接受。
2. 成本与延迟不可控：循环次数取决于任务难度，难以预估。
3. 可控性差：同一个任务两次运行结果可能不同，关键业务必须加人工确认环节。
4. 安全边界：能执行代码或写文件的 Agent，必须跑在沙箱里，并限制权限。

什么时候不该用 Agent

• 步骤固定、每天跑几千次的任务：写脚本，稳定且便宜。
• 结果要求 100% 一致：用确定性程序，不要靠模型。
• 涉及资金、权限变更、对外发布：可以让 Agent 起草，必须人工确认后执行。

小结

Agent = 模型 + 工具 + 循环。判断是否值得用 Agent，看任务步骤能否预先穷举：能穷举就写脚本，不能穷举才让模型边做边想，并且给它明确的停止条件和权限边界。