1.1
AI Agent 简介：从「回答」到「交付」
学习目标
用自己的话区分「聊天机器人」和「Agent」，并说出 Agent = 模型 + 规划 + 工具 + 记忆这条公式里每一部分的作用。
前置知识
无。只需要知道「大模型可以对话」这件事。
核心要点
- 输出物不同：普通 LLM 产出「内容」，Agent 产出「结果」——它会调用工具把事做完，而不只是告诉你步骤。
- 四个部件是能力清单，不是必选清单：简单 Agent 可能只有模型 + 工具；长期记忆、复杂规划、多 Agent 都是按需叠加。
- ReAct 是常见实现，不是唯一定义：「推理 → 行动 → 观察」循环之外，还有预规划、工作流编排、直接工具调用等形态。
- 边界模糊：现代聊天应用也能调工具，所以「是不是 Agent」不如问「自主度多高、权限多大、失败谁兜底」。
- 风险来自权限：能读文件、发邮件、执行命令，才可能造成真实损失；讨论 Agent 必须同时讨论授权与审计。
动手任务（20–30 分钟）
拿「分析最近三个月销售数据并生成报告」这个任务，画一张双栏流程图：左边是普通 LLM 应用，右边是 Agent。用三种颜色标出「人做的事 / 模型做的事 / 工具做的事」，并在右侧写出至少 2 个可能失败的环节（例如文件读不到、图表数字错）。
自检
Agent 一定要有向量数据库或长期记忆吗？
不一定。长期记忆解决的是「跨会话保持信息」，一次性任务（改格式、查一次数据）只需要当前上下文。把可选能力当成必选，会让架构和成本无谓膨胀。
为什么说「是不是 Agent」这个问题本身不够好？
因为产品形态在融合。更有用的问法是：它能自主决定哪些步骤？被授予了哪些工具与数据权限？出错时有没有人工确认和回滚？这三点决定了它的实际风险与价值。