你让 AI 帮你写一份竞品分析报告。

用 Prompt 的方式，它通常会给你一段文字：列几个竞品，写几条功能对比，最后给一个结论。内容可能有用，但它更像一份"原材料"。你还要自己判断信息是否完整，自己补资料，自己整理格式，自己把它放进文档或 PPT 里。

但如果是一个 Agent，你给它的不是一句"帮我写一段分析"，而是一个目标：

"帮我完成一份 XX 产品的竞品分析文档，重点看市场定位、核心功能、融资情况和差异化机会。"

接下来，它会自己拆任务：先确定要分析哪些竞品，再去查资料，提取关键信息，整理对比表，生成结论，最后输出一份结构完整、排版清楚、可以直接进入评审讨论的文档。

这，就是 Agent。

一句话概括 Agent

Prompt 交付的是一段可用文字，Agent 交付的是一个被推进过的工作成果。

换句话说，Prompt 是"你说我做"，Agent 是"你说目标，我自己想路径"。

中间差的那些，就是我们接下来要讲的核心能力。

Agent 的三块核心能力

1. 规划——自己拆任务

你给 Agent 一个目标，比如"帮我准备下周产品评审会的材料"，它不会愣在那里。它会自己拆：

1. 收集本周期开发进度
2. 整理用户反馈数据
3. 准备竞品更新情况
4. 汇总成 PPT 大纲

每一步可能再拆。这就是规划能力。

但规划不一定准。复杂任务它可能漏步骤、顺序颠倒，甚至自己编出一个不需要的子任务来。所以人在关键节点还得盯着，第一次跑某个流程更是如此。

2. 工具调用——能"动手"

Prompt 只能输出文字，Agent 还能操作外部世界：

• 联网搜索
• 读取文件
• 调用 API
• 运行代码
• 操作浏览器

这是 Agent 和 Skill 最本质的区别。Skill 是"方法论"，它理解你的方法然后输出文字；Agent 是"执行者"，它真的能把事情做了。

3. 记忆——知道在哪

Agent 能记住上下文：

• 短期记忆：当前任务进行到哪一步了
• 长期记忆：之前帮这个用户做过什么、有什么偏好

这就是为什么好的 Agent 能"越用越懂你"——不是因为它变聪明了，是脚手架里的记忆系统在帮它记住。

Agent 内部是怎么"思考"的

你可能好奇：Agent 是怎么做规划的？它的"思考"长什么样？

ReAct 模式

目前最主流的推理方式，叫 ReAct（Reasoning + Acting）：

Thought：我需要搜索最近 AI 融资新闻
Action：调用搜索工具
Observation：搜到 10 条结果
Thought：筛选最近一周的
Action：过滤日期
Observation：剩下 3 条
Thought：整理成表格
Answer：输出

思考→行动→观察→再思考的循环。每一轮 Agent 都会根据上一步的结果来决定下一步做什么。

这就像你指挥一个实习生：你说"帮我查下融资"，他查完告诉你结果，你根据结果再说"再筛一下最近的"，他再筛——但 Agent 把这个过程自动化了，你不需要一步步指挥。

其他推理模式

• CoT（思维链）：把思考过程写出来，适合简单推理
• ToT（思维树）：多路径同时探索，最后选最优，适合复杂决策

目前主流 Agent 用的是 ReAct，因为它把"想"和"做"结合起来了。

脚手架：Agent 之外的支撑系统

Agent 很强，但没有外层的支撑系统，它就是一个有脑子没手脚的人。

这个支撑系统，行业里叫 Harness（脚手架）。

脚手架包含：

组件	做什么
规划系统	拆解任务、安排步骤
记忆系统	记住上下文、用户偏好
工具系统	管理能调用什么工具
反思系统	评估结果好不好、要不要重试
Skill 库	做具体事的"说明书"

Harness 这个词本意是"缰绳"——LLM 是无拘的野马，Harness 是全套可控约束系统。

理解 Harness 之后，再看两个经常被一起讨论的东西，会更清楚：

• Loop：Harness 里的核心执行循环，解决的是"Agent 怎么持续往前推进"。没有 Loop，Harness 只是一堆组件；有了 Loop，Agent 才能一轮一轮地思考、行动、观察结果，再决定下一步。
• Hermes（爱马仕）：一个具体的 Agent 框架例子，解决的是"Agent 做过的事能不能沉淀下来"。它不是和 Harness、Loop 同级的基础概念，更像是把执行循环、记忆、工具和 Skill 管理打包起来的一种实践。

所以三者不是并列关系。Harness 解决"怎么把模型包成一个可控系统"，Loop 解决"这个系统怎么持续行动"，Hermes 这类框架解决"行动之后的经验怎么沉淀成可复用能力"。

工作流编排：多个 Agent 怎么配合

复杂任务，一个 Agent 干不过来，可以多个配合：

用户输入
    ↓
意图识别（大模型）→ 判断要做什么
    ↓
意图分发 → 决定走哪个分支
    ↓
思考规划（大模型）→ 拆解任务步骤
    ↓
执行（工具/模型）→ 完成任务
    ↓
检查监督（大模型）→ 验证结果

这就是你在 AI 平台上看到的"拖拽式工作流"——每个节点都是一个独立的小 Agent 或功能模块，串起来形成完整流程。

这种方案的优点：可控、可调试、可解释。哪个环节出问题改哪个，不会牵一发而动全身。

什么时候用 Agent

不是所有场景都需要 Agent：

场景	用什么
写一段文案、总结内容	Prompt
按固定流程处理标准化任务	Skill
需要获取外部信息 + 多步操作 + 动态调整	Agent

简单判断：需要它自己想办法完成一串动作的，用 Agent；一次输出就能解决的，Prompt 就够。

Agent 的局限

成本高。同一个任务，Agent 消耗的 token 是简单 Prompt 的几倍甚至十几倍。

规划不一定准。复杂任务会漏步骤、会跑偏，需要人盯着。

不确定性。本质还是 LLM，有幻觉。这次做对了，下次可能做错。企业场景需要通过 RAG、Skill、规则约束来把不确定性压到可接受范围。

这些局限不是靠一句"换个更强模型"就能彻底解决。Agent 越往真实业务里走，越像一套系统工程。

规划不稳定，要靠 ReAct 和工作流编排把关键步骤约束住；知识不可靠，要靠 RAG 把外部资料和私有知识接进来；工具调用容易错，要靠更清晰的工具描述、权限边界和 MCP 这类协议把连接方式标准化；结果不可控，要靠日志、评估、回放和人工确认节点兜底。

所以 Agent 不是一个单点能力。它真正成熟起来，靠的是模型、工具、知识库、流程、权限和评估体系一起配合。

---

全流程串起来

现在把 Agent 的运作方式连起来看：

你说："帮我整理这周 AI 行业融资事件表格"

    ↓

① 规划：拆成 搜索→筛选→提取→整理→输出

    ↓

② 工具调用：调用搜索工具，联网查

    ↓

③ 推理循环（ReAct）：
   - 搜到结果了
   - 筛选最近的
   - 提取关键字段
   - 生成表格

    ↓

④ 记忆：记住这次搜了什么、用户偏好

    ↓

⑤ 输出表格给你

这篇文章的目标，不是让你能搭一个 Agent——那是技术的事。是别人问你"Agent 是什么"，你能把这个流程讲一遍。 讲清楚了，L3-3 就算过关了。

---

预告

从 Prompt 到 Skill 再到 Agent，我们讲完了三种主流的 AI 应用范式。

但还有一种你一定听过的：RAG。它解决的是"AI 知识过时"和"私有知识怎么喂给 AI"的问题。

Prompt / Skill / Agent 都是"靠模型本身的能力"，RAG 是"给模型外接一个知识库"。

一篇：RAG——让 AI 读取你的私有知识库。