Agent
在以chatgpt的大模型出现以后，模型具备了“思考”能力，能够帮助我们解决一些知识获取和推理等问题。但是因为大模型只能输出内容，能够帮助我们解决的业务问题有限，如果能让大模型具备使用工具的能力，将很大程度上拓宽大模型能力的边界。 于是基于大模型+工具调用这种解决方案，“智能体”和“Agent”这个概念在业界出现并大火。
智能体，又称Agent。是指能够感知环境、分析信息、自主决策并采取行动以实现特定目标的软件实体或系统。它以大模型（如GPT等）为“大脑”，具备理解、规划、决策、记忆和行动的能力。AI Agent = LLM+ 记忆 + 任务规划 + 工具使用
传统的大模型就像一个“百科全书”，知识渊博，有问必答，但它不会主动去“做”什么事。而智能体则像一个“全能助理”，比如你告诉它“我下周三要去杭州出差，帮我安排好行程”，它就能自主完成查询航班、预订酒店、规划市内交通、提醒天气等一系列操作 。它不仅“有脑”（能思考），还“有手有脚”（能调用工具去执行）。
大模型是无法感知或改变外接环境的
之前阶段的模型只能 输入文字 -> 输出文字，但现实任务往往需要行动:
- 查实时天气得联网
- 算数得用计算器
- 查你的文档得检索
- 发邮件得调邮件接口
但模型自己做不了这些。
Agent = 大模型(大脑) + 工具(手脚) + 循环决策(自主性)
你给Agent一个目标，它会自己思考需要哪些步骤、每一步调用什么工具、根据结果决定下一步，直到完成任务。
一个类比:
-
纯模型 = 一个被关在房间里、只能动嘴的顾问，你问什么他答什么，但他不能起身做任何事。
-
Agent = 给这个顾问配了电脑、电话、双手，并告诉他你可以自己用这些工具去把事做成。
基石: Tool / Function Calling (函数调用)
这是Agent的核心机制，它让模型能请求调用你写的函数。
关键要理解一件反直觉的事: 模型本身不能执行任何代码。
它能做的是 -- 告诉你 我想调用get_weather这个函数，参数是city = 北京，真正执行函数的是你的程序，执行完把结果再喂回给模型。
完整流程:
- 你告诉模型：我有这些工具可用（附上每个工具的名字、功能、参数说明）
- 用户提问："北京今天天气怎么样？"
- 模型判断：这需要调 get_weather 工具 → 返回"请调用 get_weather(city='北京')"
- 【你的程序】真正执行 get_weather("北京") → 得到"晴，25℃"
- 你把结果喂回给模型
- 模型基于结果，生成人话回复："北京今天晴，25 度，很适合出门。"
Android功能类比：
像极了系统权限回调 -- App(模型)不能直接读取通讯录，它得请求这个能力，由系统(你的程序)实际执行后把结果回调给它。 模型请求调用工具，你的代码实际执行并回传。
代码实现
第一步: 定义工具函数(就是普通Python函数)
def get_weather(city: str) -> str:
return f"{city}今天晴，25℃"
def calculate(expression: str) -> str:
return str(eval(expression))
第二步: 用模型能理解的格式描述这些工具
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的当前天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名，如 北京"}
},
"required": ["city"],
},
},
},
{
"type": "function",
"function": {
"name": "calculate",
"description": "计算一个数学表达式",
"parameters": {
"type": "object",
"properties": {
"expression": {"type": "string", "description": "如 2 * (3 + 4)"}
},
"required": ["expression"],
},
},
},
]
这上面的description极其重要 -- 模型就是靠它判断该不该用、怎么用这个工具。
如果描述写的含糊，模型就会用错或不用。把它当成写给模型看的API文档。
第三步: 把工具告诉模型，并处理它的调用请求
import json
def run_agent(user_input):
messages = [{"role": "user", "content": user_input}]
while True: # 这个循环是 Agent 的灵魂，见 3.3
response = client.chat.completions.create(
model="模型名称",
messages=messages,
tools=tools, # 告诉模型有哪些工具
)
msg = response.choices[0].message
messages.append(msg)
# 模型没有要求调工具 → 说明它已能直接回答，结束
if not msg.tool_calls:
return msg.content
# 模型要求调用一个或多个工具
for tool_call in msg.tool_calls:
name = tool_call.function.name
args = json.loads(tool_call.function.arguments)
# 【你的程序】真正执行对应函数
if name == "get_weather":
result = get_weather(**args)
elif name == "calculate":
result = calculate(**args)
# 把执行结果喂回给模型
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result,
})
# 循环回到开头，模型拿到工具结果后决定下一步
上面代码里面while True就是Agent区别于普通一问一答的关键。
那怎么来解决这个问题呢？
就是通过让大模型调用对应的工具Tool，就可以，例如:
- 读写文件内容
- 查看文件列表
- 运行终端命令
Agent运行模式
ReAct模式
思考与行动: Reasoning and Acting，简单总结就是边想边干，每步根据观察决定下一步。
ReAct = Reasoning(推理) + Acting(行动)的循环
想(Reason) : 我需要做什么？ -> 做(Act): 调用工具 -> 看(Observe): 结果如何？ 然后一直一轮轮的循环上面的过程，直到它认为任务完成。
这里有个非常关键的工程问题: LLM本质上只会生成文字，它没有手，怎么让它真的去调用工具？
答案是约定一种固定格式，让LLM的每次回答都写成两行:
- Thought: 用户想知道北京的天气。我需要调用天气查询工具。
-
Action: get_weather(city="北京")
-
Thought(思考): LLM用大白话写出它此刻的分析和计划 -- 相当于让它想出声，我们能看见它的思路
- Action(行动): 它决定要执行的具体操作，写成工具名(参数名=参数值)的样子。
然后由一段普通程序（术语叫解析器，Parser，可以理解为"传令兵"）盯着这个输出：一看到 Action: get_weather(city="北京")，就真的去调用查天气的函数，拿到结果后再把结果翻译成一句人话喂回给 LLM:
- Observation: 北京当前天气为晴，气温25摄氏度，微风。
所以整个魔法可以概括成一句话：LLM 负责动脑（生成 Thought 和 Action 文字），一段普通代码负责动手（解析 Action、真正执行、把结果喂回去）。 两者一配合，"只会说话"的模型就变成了"能干活"的智能体
举个多步的例子:
用户: 帮我查下明天北京适不适合跑步
- 想: 需要知道明天天气 -> 做: 调get_weather -> 看: 下雨
- 想: 小于不适合户外跑步 -> 已有足够信息 -> 结束，回复用户建议改室内跑步
Plan And Execute
先拆完整计划，再逐项执行。
智能体的运行机制
智能体不是一锤子买卖，它靠一个循环反复运转来完成任务，术语叫智能体循环（Agent Loop）：
感知 --> 思考 --> 行动 --> 观察结果 --> 再感知 --> .....
Workflow和Agent的差异
简单来说，Workflow是让AI按部就班的执行指令(按剧本演)，而Agent则是赋予AI自由度去自主达成目标(给目标，自由发挥)。
Workflow工作流是一种传统的自动化范式，其核心是对一系列任务或步骤进行预先定义的、结构化的编排。 其本质 上是一个精确的、静态的流程图，规定了在任何条件下、以何种顺序执行哪些操作。
Workflow是步骤写死在代码里，LLM只负责每步内容。
一个典型的案例: 某企业的费用报销审批流程。员工提交报销单(触发) -> 如果金额小于500元，直接由部分经理审批 -> 如果金额大于500元，先由部门经理审批，再流转至财务总监审批 -> 审批通过后，通知财务部打款。
这个过程的每一步，每一个判断条件都被精确地预先设定。
与工作流不同，基于大语言模型的智能体是一个具备自主性的，以目标为导向的系统。
它不仅仅是执行预设指令，而是能够再一定程度上理解环境、进行推理、指定计划，并动态的采取行动以达成最终目标。
LLM在其中扮演者大脑的角色，一个典型的例子，就是智能旅行助手。
当我们向它下达一个新指令，例如你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点。
它的处理过程充分展现了其自主性:
-
规划与工具调用: Agent首先会把任务拆解成两个步骤: 1. 查询天气，2.基于天气推荐景点。随即，它会自主选择并调用天气查询API，并将 北京作为参数传入
-
推理与决策: 假设API返回的结果是晴朗，微风。Agent的LLM大脑会基于这个信息进行推理: 晴天适合户外运动，它 会根据这个判断，在它的知识库或通过搜索引擎这个工具中，筛选出北京的户外景点，如故宫、颐和园、天坛公园等。
-
生成结果: 最后Agent会综合信息，给出一个完整的、人性化的回答: 今天北京天气晴朗，微风，非常适合户外旅游，为您 推荐前往颐和园，你可以在昆明湖上泛舟，欣赏美丽的皇家园林景色。
在这个过程中，没有任何写死的 if天气=晴天 then 推荐颐和园 的规则。如果天气是“雨天”，Agent 会自主推理并推荐国家博物馆、首都博物馆等室内场所。这种基于实时信息进行动态推理和决策的能力，正是 Agent 的核心价值所在。
AI智能体发展史
AI 发展的主线是"问题驱动"：每代范式都是为了解决上一代的死穴——规则写不完，所以改成让机器学；只会感知不会决策，所以有了强化学习；从零试错太笨，所以先预训练。
大致分三个阶段:
-
第一阶段符号主义，代表是专家系统和 SHRDLU，信念是"智能等于摆弄符号"，1976 年纽厄尔和西蒙的物理符号系统假说是它的理论基石。它在封闭领域很成功——MYCIN 的诊断水平达到人类专家，深蓝 1997 年赢了国际象棋世界冠军。但它撞上三堵墙：知识获取瓶颈（规则要人手写，专家的经验很多说不清）、常识无底洞（Cyc 项目手工录常识几十年收效有限）、框架问题和脆弱性（世界一变就失灵，遇到规则外的情况直接崩，不是降级）。
-
第二阶段是学习，分三级台阶。连接主义（1986 年反向传播进入主流，2012 年后深度学习爆发）解决了感知；强化学习（TD-Gammon → AlphaGo）解决了序贯决策，核心是最大化累积回报而不是眼前奖励；预训练（自监督学习 + 微调）真正解开了知识获取瓶颈——因为"猜下一个词"不需要人工标注，全互联网的文本都变成了训练数据。
-
第三阶段是会师。 现代智能体用 LLM 当大脑（连接主义的产物），干的活是推理和规划（符号主义的梦想），用 RLHF 打磨（行为主义），多 Agent 协作放大（明斯基 1986 年的心智社会）。有意思的是，LLM 内部没有可区分的符号，但它输出的 Thought/Action 全是符号结构——所以它挑战了 PSSH 的必要性论断，却在行为上印证了充分性。