一、为什么要先讲清 Agent？
现在很多项目都叫 Agent。可拆开一看，只是一个聊天窗口，再套一段 Prompt。
这还不够。普通大模型更像一个聪明的大脑，能说、能写、能解释。但它没有稳定状态，也不会主动调用你的订单系统、知识库、数据库和业务 API。
真正的 Agent，要能围绕目标持续推进。它知道自己要完成什么，知道缺什么信息，知道该调用什么工具，也知道失败后怎么调整。
二、LLM、工作流、Agent，到底差在哪？
可以用一句话区分：
• LLM：你问一句，它答一句。
• AI 工作流：按照固定流程执行，稳定但不灵活。
• Agent：根据目标和环境，自己决定下一步。
工程上不要一上来就做 Agent。流程很固定，就用工作流；知识需要补充，就用 RAG；任务开放、多步、需要动态决策，再上 Agent。
三、真正的 Agent 只看一个动作：循环
Agent 的核心不是一次 model.invoke。它更像一个循环调度器。
这个循环通常包含 5 步：目标、感知、计划、行动、观察。
1. 目标
用户给出任务，比如“帮我查这个订单为什么没到”。
2. 感知
系统读取上下文，可能包括用户信息、订单号、历史对话、知识库资料。
3. 计划
判断要先查订单，还是先问用户补充信息。
4. 行动
调用订单 API、物流 API、知识库检索工具。
5. 观察
看工具返回结果。如果信息不够，再继续下一轮。
四、AI 应用的 4 个等级
从工程落地看，AI 应用不是一步跨到多智能体。通常要经历 4 个等级。
Level 0：普通 LLM
只回答问题，不查实时系统，不保存任务状态。适合解释概念、润色文案、简单问答。
Level 1：LLM + 工具 / RAG
能查知识库、搜索资料、调用 API。系统开始连接真实业务。
Level 2：单体 Agent
能规划任务，能判断下一步，能处理失败，适合复杂但边界清楚的任务。
Level 3：多智能体系统
多个专业 Agent 分工协作，比如研究员、写作者、审核员、执行者。适合大型复杂任务。
五、从源码逻辑看：Agent 是运行时，不是 Prompt
如果从代码层看，Agent 的本质不是一段提示词，而是一套运行时。
它至少要管理 6 件事：输入、状态、模型、工具、结果、日志。少一个，系统就很难上线。
• 模型负责理解和决策，但不能直接相信它。
• 工具负责执行，但必须做白名单、鉴权、超时和重试。
• 记忆负责保留上下文，但不能什么都记。
• 护栏负责防止越权、泄露和错误承诺。
• 日志负责还原轨迹，否则失败后无法排查。
六、案例：智能客服 Agent
最容易理解的案例是智能客服。
普通聊天机器人只会回答。智能客服 Agent 要真正解决问题。
用户问“我的快递为什么还没到？”普通模型可能会安慰用户。Agent 不应该这样做。
正确流程是：先识别这是物流问题，再查订单，再查物流，再根据结果回答。如果订单号缺失，就追问；如果涉及赔付，就走人工或审批。
这就是 Agent 和聊天机器人的本质区别：一个只生成答案，一个推动任务完成。
七、什么时候不要用 Agent？
Agent 很强，但不是默认选择。复杂度越高，成本、延迟、不可控风险也越高。
一个实用原则：先用最简单的方案跑通，再根据业务复杂度逐步升级。
八、总结
• Agent 不是会聊天的大模型，而是能围绕目标执行任务的系统。
• 普通 LLM 负责生成，Agent 还要负责规划、调用工具、管理状态和处理反馈。
• Agent 的核心是循环：目标、感知、计划、行动、观察。
• 工程上不要盲目堆框架，先判断任务是否真的需要 Agent。
• 下一章开始，我们进入第一个设计模式：提示链。它解决的是复杂任务如何拆步骤。
内容来源：智能体设计模式：别再把大模型叫智能体了：功能变化与行业影响解析_热闻岛
