🤖 AI 智能体是什么：从单次问答到能动手干活的系统

一句话结论

AI 智能体让大模型从「回答问题」变成「完成任务」：给它一个目标，它自己拆解步骤、调用外部工具、读取执行结果并判断是否继续。它适合步骤大体固定、但每一步需要判断的重复任务；不适合要求百分之百确定结果的关键决策与不可逆的高风险操作。落地的关键不是让它更「聪明」，而是给它更清晰的工具描述、更严格的步骤校验和更明确的权限边界。

智能体由什么组成

1. 规划：模型根据目标拆解出子任务，并决定下一步做什么。

2. 工具：把外部能力封装成模型可调用的函数或 API，例如查数据库、发请求、读文件、执行代码。工具描述写得越清晰，调用准确率越高。

3. 记忆：短期保存当前任务的上下文，长期保存用户偏好、历史结论等需要跨会话复用的信息。

4. 流程控制：定义何时继续、何时重试、何时终止，以及预算上限（最多几步、最多花多少钱）。

智能体和工作流的区别

这是最常被混淆的一点：

维度	工作流	智能体
步骤	人工预先写死	模型动态决定
稳定性	高，可预测	中，取决于任务清晰度
灵活性	低	高
调试难度	低	较高，需要日志与回归
适合	流程确定的业务	半结构化、需要判断的任务

务实的做法通常是混合：主干流程写死，在其中需要判断的节点引入模型判断，而不是把整个流程都交给模型自由决定。

核心难点与解法

错误累积：单步准确率 95%，十步流程的整体成功率可能只有六成左右。

• 解法：每步输出都做格式与逻辑校验；关键节点加人工确认；限制单任务步数上限

不可预测：同一目标两次执行路径不同。

• 解法：建立固定评测集，每次改动都跑回归；记录完整执行轨迹（哪一步、调了什么工具、返回了什么）

成本失控：循环调用导致调用次数暴涨。

• 解法：为每个任务设置调用次数与费用上限，超限即终止并转人工

权限与安全：工具一旦可执行写操作，风险显著上升。

• 解法：默认只读权限，写操作单独授权并要求二次确认；对参数做白名单与转义校验

什么时候需要 RAG

当任务依赖企业私有知识（内部文档、产品资料、实时数据）时，需要先检索再回答，这就是 RAG（检索增强生成）。要点：

• 分块策略决定召回质量，块太大噪声多、太小语义断裂
• 先做检索再生成，不要把全部文档塞进上下文
• 召回结果要带来源，便于溯源与人工复核
• 检索不到时要明确说「没有找到」，而不是让模型自由发挥

怎么落地（务实的四步）

1. 选任务：从「重复、耗时、步骤半固定、错了能被发现」的任务开始，不要一上来就做全自动
2. 写清工具：工具的名称、参数、返回值、失败情况写清楚，这一步对效果的影响远大于换更大的模型
3. 加护栏：校验、限步数、限费用、关键节点人工确认、完整日志
4. 小步迭代：每次只改一个变量，用固定评测集验证，别凭感觉改提示词

常见问题

智能体和普通对话有什么区别？ 对话是问一句答一句；智能体是给一个目标，自己拆解、调用工具、读结果、判断是否继续，直到达成或终止。差别在行动能力与循环。

适合与不适合哪些场景？ 适合步骤固定但需判断的重复任务、跨系统取数分析、代码与运维辅助；不适合要求确定结果的关键决策、高精度数值计算、不可逆的高风险操作。

最大的风险是什么？ 错误累积与不可预测。单步 95% 在十步流程里整体可能只有 60%。要给每步加校验与人工确认点，限步数与预算，记录完整日志。

一定要用很贵的推理模型吗？ 不必。轻量模型负责意图识别、工具选择与参数抽取，复杂判断时再升级。多数瓶颈在工具描述与参数可靠性，不在推理能力。