Agent 智能体
有了工具调用，模型可以「动手」了，但还差一个灵魂：自主性。Agent 就是这样一种系统——能够基于目标进行「思考-行动-观察」循环、自主调用工具来完成复杂任务的智能系统。它本质上是对人类的模拟：人做事不也是「想清楚 → …
有了工具调用，模型可以「动手」了，但还差一个灵魂：自主性。Agent 就是这样一种系统——能够基于目标进行「思考-行动-观察」循环、自主调用工具来完成复杂任务的智能系统。它本质上是对人类的模拟：人做事不也是「想清楚 → 动手 → 看结果 → 再想」的循环吗？最朴素的理解是：「提示词 + LLM + Tools」就可以构成一个最简单的 Agent。这一章讲清楚 Agent 的思想源头、循环结构、以及它如何成为 2026 年 AI 应用的核心范式。代码级实现见 Agent 核心 08 · ReAct 模式与主循环 与 09 · 实战：Deep Research Agent。
1. 演进脉络：Agent 思想的三次点燃
1.1 思想源头（2022.12）：ReAct 论文
2022 年 12 月，《ReAct: Synergizing Reasoning and Acting in Language Models》提出一个简单却深刻的洞见：把「推理（Reasoning）」和「行动（Acting）」交织在一起——模型边思考边行动，思考指导行动，行动结果（观察）反过来修正思考。
ReAct 把 Agent 循环形式化为：
思考（Thought）→ 行动（Action）→ 观察（Observation）→ 再思考 → …
这个「思考-行动-观察」循环，至今仍是绝大多数 Agent 系统的主循环骨架。论文同时展示了它优于纯推理（CoT）或纯行动（Act-only）的原因：推理让行动有方向，行动让推理有依据，二者互相纠偏。
1.2 大众点燃（2023）：ChatGPT Plugins 与 AutoGPT
2023 年 3 月，OpenAI 发布 ChatGPT Plugins：ChatGPT 可以调用外部工具——这是大众第一次看到「聊天机器人真的去执行操作」。随后 AutoGPT、BabyAGI 等自治 Agent 项目一夜爆火，人们开始尝试让 AI 自主完成多步骤任务。
这一波热潮很快退烧，原因是深刻的：自主循环放大了模型的不可靠——无人看管的循环会跑偏、死循环、烧钱。但它完成了重要的认知教育：「Agent 是趋势」成为共识，问题从「要不要」变成「怎么可靠地要」。
1.3 工程化成熟（2024-2026）：从玩具到系统
2024 年起，Agent 进入工程化阶段：
- 框架成熟：LangGraph、OpenAI Agent SDK 等让 Agent 从「手写循环」变成「声明式编排」
- 可靠性成为主题：人机回环、权限控制、容错重试、可观测性成为 Agent 系统的标配（第 12 章 Harness）
- Agent 形态分化：单 Agent、多 Agent（第 08 章）、Workflow（固定流程）三者各司其职
- 2026 年：Agent 已是企业 AI 应用的主流形态——从研究助理、客服坐席到自动化运维，无处不在
2. 核心概念：Agent 循环的解剖
一个最小 Agent 由三部分组成：
| 组件 | 作用 | 示例 |
|---|---|---|
| LLM | 决策中枢：思考 + 决定行动 | GPT/Claude/Qwen 等 |
| Tools | 行动手段：模型可调用的函数 | 搜索、计算、数据库、API |
| 循环 | 把思考-行动-观察串起来 | ReAct 主循环 |
┌──────────────────────────────────────────┐
│ 目标：帮我调研竞品并出报告 │
└──────────────────┬───────────────────────┘
▼
┌──────────────────────────────────────────┐
│ 思考：我需要先搜索竞品公开信息 │
│ 行动：search("竞品A 最新动态 2026") │
│ 观察：返回 12 条搜索结果… │
│ 思考：信息够了，开始撰写报告，引用来源… │
│ 行动：write_report(...) │
│ 观察：报告已保存 │
│ 思考：任务完成，输出总结 │
└──────────────────────────────────────────┘
工程上的三个关键设计点（详见深度章节）：
- 终止条件：什么时候算「干完了」？——必须有明确的终止判断（目标达成、超步数、人工确认），否则循环会失控
- 最大步数/预算：防死循环的第一道闸门
- 人在回路：关键步骤（支付、删除、发布）必须人工确认——自主不等于失控
3. 关键认知：Agent 的成与败
Agent 为什么是革命性的： 传统软件是「人指挥机器」——所有步骤人肉编排；Agent 是「人定目标、AI 编排」——把中间步骤交给循环自主完成。它能完成「无法预先穷举步骤」的任务，这是传统程序做不到的。
Agent 为什么经常翻车： 三个系统性原因——
- 错误累积：每一步的小误差在循环里滚雪球，越到后面越偏
- 上下文漂移：长循环中早期目标被遗忘（上下文工程要解决的，第 09 章）
- 工具不可靠：工具的返回格式、失败模式远超设计预期
结论：Agent 系统的难点从来不在「让循环跑起来」，而在「让循环可靠地停下来、不出错地完成任务」——这正是后面所有工程化章节（上下文工程、Skill、Harness）要解决的。
4. Agent vs Workflow：一个重要的区分
2026 年的工程共识是区分两种形态：
| 维度 | Workflow（工作流） | Agent |
|---|---|---|
| 步骤 | 预先编排，固定执行 | 自主决策，动态演化 |
| 适合 | 流程确定、可预测 | 目标明确、路径不定 |
| 可靠性 | 高 | 中（需工程手段兜底） |
| 示例 | 固定 RAG 流水线 | 自主研究助理 |
经验法则：能写成固定流程的，先写成 Workflow；路径确实不确定的，才用 Agent。 别让 Agent 做它不需要做的事——这是成本与可靠性的双重考量。
5. 现状与趋势（2026）
- 推理模型驱动 Agent：带思维链的推理模型让「思考」质量质变，复杂工具编排能力显著提升
- Agent 协议标准化：Agent 间通信（A2A 等）与工具接入（MCP）标准逐步落地
- 从「单任务循环」到「长周期系统」：Agent 开始承担持续数天/数周的任务，可靠性工程（第 12 章）成为成败关键
6. ReAct 之外：Agent 的模式家族
ReAct（思考-行动-观察）是最广为人知的模式，但它不是唯一的。了解整个模式家族，才能根据任务选对骨架：
| 模式 | 核心思想 | 适合场景 | 代表 |
|---|---|---|---|
| ReAct | 边想边做，行动结果反哺思考 | 路径不确定、需要探索 | 本章主循环 |
| Plan-and-Execute | 先做计划，再逐步执行，计划可中途修订 | 目标明确、步骤多的长任务 | 经典规划式 Agent |
| Reflection | 生成 → 自我评审 → 修订，循环至达标 | 写作、代码、内容质量敏感 | Self-Refine |
| ReWOO | 规划与执行分离，避免中间推理污染上下文 | 长任务、上下文敏感 | 上下文省 token |
| 工具内置推理（Reasoning Tools） | 把推理写进工具调用，适合推理模型 | 复杂数学/逻辑/代码题 | 2025-2026 推理模型范式 |
选型直觉：任务要探索 → ReAct；任务要规划 → Plan-and-Execute；任务要质量 → Reflection；任务要省上下文 → ReWOO；推理模型 → 工具内置推理。实际系统常混用——比如「Plan-and-Execute 的外壳 + 每步 ReAct 的内核」。
延伸阅读
- 思想源头：《ReAct: Synergizing Reasoning and Acting in Language Models》（2022）——Agent 循环的奠基论文
- 《AI Agent Workflow Design Patterns: An Overview》（2024）——Agent 设计模式的系统梳理
- 深度版：Agent 核心 08 · ReAct 模式与主循环、09 · 实战：Deep Research Agent