Agent 保姆级万字详解·第二章

什么是 Agent？

---

上一章咱们聊了为什么学 Agent，聊了大厂招聘变了天、聊了市场缺口有多大、聊了这玩意儿为什么是窗口期。聊了这么多，有个最基本的问题还没回答：Agent 到底是什么？

很多人口中的 Agent 就是"AI 助手"，是"能对话的机器人"。这么说也不能说错，但太浅了。就像说"手机就是打电话的工具"一样——这句话在 1990 年代是对的，放到现在就有点可笑了。Agent 远远不止是一个聊天机器人。

咱先把 LLM 搞清楚，因为 Agent 是长在 LLM 上的，不懂 LLM 的脾气，你永远搞不懂 Agent 为什么这么设计。

---

LLM 到底是个什么东西？

先说大语言模型（Large Language Model），英文缩写 LLM。这玩意儿你现在应该不陌生了，满大街都是它的消息。但我赌五毛钱，大多数人只是知道它能聊天、能写文章、能帮你改代码，对它到底是怎么回事其实还是一笔糊涂账。

我给你打个比方。

想象一个超级大脑。这个大脑牛逼到什么程度呢？它把人类有史以来所有公开的文字都读了一遍——小说、论文、新闻、代码、论坛帖子、买菜软件的用户评价、政府红头文件、寺庙的经文……全读了。几百 TB 的文本，塞进去，消化掉，总结出一套"文字接龙的规律"。

这套规律复杂到什么程度？它有几百亿个参数，每个参数都记录了一小块"语言应该怎么接"的知识。你可以理解为，它脑子里住着无数个"老师"，每个老师专精一个领域，有的专精写古诗，有的专精写代码，有的专精写土味情话。大模型回答你问题的时候，等于是这帮老师一起开会，投票决定下一个字该写什么。

所以 GPT 能写代码、能聊哲学、能帮你编年终总结，不是因为它"懂"这些知识，而是因为它见过太多类似的文本，它知道这种东西"一般会怎么写"。说白了，它是一个超级拟合器，把人类语言的各种模式都拟合进去了。

现在咱知道 LLM 是什么了：一个博览群书的超级大脑，脑子里装满了文字接龙的规律。

但是——对，我要说但是了——这个超级大脑有一个致命的问题：它只能坐在轮椅上，手脚被绑住，只能张嘴说话，无法直接干预现实世界。

这怎么理解？

你跟 GPT 说"帮我查一下明天北京的天气"，GPT 能给你写一段天气预报的稿子，什么"预计明天北京晴转多云，气温15到25度"，写得像模像样。但它真的知道明天北京下不下雨吗？不知道。它只是在模仿"天气预报的写法"，不是真的去查了气象数据。

你让它"帮我在飞书上创建一个请假申请"，它能给你写一段申请文案，但它真的能帮你点那个提交按钮吗？不能。它只能输出文字，飞书根本不知道你在干什么。

这就是 LLM 的本质局限：它是一个只会输出的黑盒子，你给什么输入，它吐什么文字。它不知道真实世界在发生什么，也改变不了真实世界的一根毛。

---

LLM 的三大硬伤

光知道 LLM 是什么还不够，咱得搞清楚它的毛病在哪儿。Agent 之所以诞生，就是来治这些毛病的。

第一宗罪：幻觉——一本正经地胡说八道

LLM 最臭名昭著的问题就是"幻觉"（Hallucination）。啥意思呢？就是大模型会编造假信息，而且编得特别像真的，脸不红心不跳。

比如你问它："《百年孤独》的作者是哪年来中国的？"GPT 大概率会给你一个答案，可能还煞有介事地写上年份和地点。但实际上马尔克斯这辈子压根没来过中国。大模型根本不知道这事儿是真是假，它只是在模仿"回答问题"的语气，把一段看起来合理的文字吐出来。

你要是做开发，做一个 AI 客服，回答用户"你们的退换货政策是什么"，大模型瞎编一条政策出来，用户还真信了，然后申请被拒——完蛋，客诉就来了。你要是做医疗问答，让 AI 推荐用药，它给你编一个不存在的药名——这事儿就不是客诉了，是医疗事故。

幻觉问题是 LLM 的基因缺陷，理论上没法彻底根除。你能做的就是给它足够准确的上下文、限制它的发挥空间、让它调用外部工具去查真实数据，而不是靠"脑子里记忆的知识"来回答。Agent 就是干这个的。

第二宗罪：知识滞后——不知道今天发生了什么

GPT-4 的知识库是有截止日期的，比如截止到 2024 年 6 月。在这个日期之后发生的事儿，它一概不知道。

你问它"特朗普是第几任美国总统"，它能答上来。你问它"昨天晚上欧冠谁赢了"，它只能说"我的知识有截止日期，无法回答"。

这个问题在企业应用里更要命。你想让 AI 回答"我们公司今天有多少未处理的订单"，它怎么回答？它的脑子里根本没有你们公司的数据库。你想让 AI 告诉你"今天的股价是多少"，它只能摊手。

LLM 本身是一座图书馆，不是一个实时数据源。你不能指望图书馆告诉你十分钟前发生了什么事。

Agent 的解决方案是什么？给它接上实时查询的工具。让 Agent 能够调用 API、查数据库、搜搜索引擎，把最新的信息拉进来，再做回答。这样它就不再是"只会回忆过去"的书呆子了，而是"能查实时资料"的活字典。

第三宗罪：只能输出文字——无法真正干预现实

这是最核心的问题。LLM 的一切输出都是文字，它不能帮你发邮件、不能帮你订机票、不能帮你审批流程、不能帮你修改服务器上的配置文件。

你说"帮我把这份文档发给张总"，它能帮你写一封邮件，但发邮件这个动作，它做不到。

你说"帮我把数据库里的用户余额都加100"，它能写一段 SQL，但它执行不了这段 SQL。

你说"帮我把服务器重启一下"，它能给你敲命令，但这个命令只在它的输出框里，根本传不到服务器的终端上。

这就是"只能说话、无法动手"的困境。LLM 是一个超级打字员，但不是超级执行者。

而 Agent 要做的，就是给这个打字员装上手脚，让它不只能说话，还能真正干活。

---

Agent 闪亮登场

好，铺垫够了，现在可以正式介绍 Agent 了。

Agent，中文叫"智能体"，你可以理解为"能自主行动的 AI 系统"。它不是一个单一的算法，而是一套架构——把 LLM 当作核心大脑，然后给它配上眼睛（感知）、手脚（工具调用）、记忆（上下文管理）和规划能力（任务拆解），让它能真正完成复杂任务。

我给你一个核心公式，记住这个公式，这章的内容你就掌握了一半：

Agent = LLM + 规划 + 记忆 + 工具

咱一个一个说。

LLM：Agent 的大脑

Agent 的核心引擎还是大语言模型。LLM 负责理解用户意图、做推理、做决策。大脑还是那个大脑，但 Agent 给它穿上了盔甲、装上了义肢。

规划：Agent 的思考方式

光有大脑不行，还得有"想事情的逻辑"。这就是规划模块的作用。

当用户说"帮我订一张后天北京到上海的机票"的时候，Agent 不能直接调 API，它得先把任务拆开：

• 第一步，查后天的航班有哪些
• 第二步，用户有没有偏好的航空公司
• 第三步，比较价格和时间
• 第四步，选定航班后调用订票接口
• 第五步，把订票结果返回给用户

这就是"任务规划"（Task Planning）。Agent 需要有能力把一个模糊的指令拆成一系列具体的子任务，然后按顺序执行。没有规划能力，Agent 就是一个只会瞎忙的莽夫。

记忆：Agent 的记事本

人类做事为什么要记笔记？因为脑子记不住所有事情，而且记太久了会混。

Agent 也是一样的。记忆模块负责存储几类信息：

短期记忆：当前对话的上下文。比如用户之前聊过想订机票，Agent 记住这个意图，等用户说"换个时间"的时候它知道是在说什么。

长期记忆：积累下来的知识、用户偏好、历史任务记录。比如用户之前说过"我常坐东航的航班"，Agent 记住了，下次订票就优先推东航的班次。

没有记忆的 Agent 就是金鱼，只有 7 秒记忆，每次对话都是全新的开始，体验很差。

工具：Agent 的手脚

这是最关键的部分。工具模块让 Agent 能够真正"动手干活"，而不是只能耍嘴皮子。

工具的形式多种多样：

• 搜索引擎：查实时信息、查新闻、查商品价格
• 数据库：查企业数据、查订单、查库存
• API 调用：发邮件、发短信、调用第三方服务
• 代码执行器：运行 Python 代码、做数学计算、操作文件系统
• RPA 机器人：控制浏览器、填表、点按钮

每一种工具都是一个"能力插件"。Agent 根据任务需要，选择合适的工具来用。就像一个人类员工，公司给他配了电脑、电话、汽车，他用这些工具去完成工作任务。

LLM 本身不会用这些工具，但通过特殊的训练和设计，Agent 可以学会"看到任务就知道该用什么工具，以及怎么用工具"。这就是第三章我们要重点讲的 Function Call。

执行：Agent 的行动闭环

有了大脑、规划、记忆、工具之后，Agent 是怎么工作的呢？它遵循一个"感知-规划-执行-反馈"的闭环：

1. 感知：接收用户的输入，理解用户想要什么
2. 规划：拆解任务，决定先做什么、后做什么
3. 执行：调用工具，开始干活
4. 反馈：检查执行结果，如果不对就调整策略重来

这个闭环就像人类处理工作的方式。你老板布置一个任务，你不会傻乎乎直接干，而是先理解任务、制定计划、执行、遇到问题就调整。Agent 也是一样的。

---

Agent 不是银弹

说了一大堆 Agent 的好处，咱也得泼点冷水。

Agent 不是万能的，不是银弹，不是你搭一个系统扔进去就能解决所有问题。

首先，LLM 的幻觉问题，Agent 只能缓解，不能根治。你给 Agent 装上了工具，但它会不会用错工具、会不会误解工具返回的结果？这都有可能。Agent 的可靠性在工业落地中依然是个悬而未决的难题。

其次，Agent 的规划能力受限于 LLM 本身的能力上限。如果 LLM 推理能力弱，Agent 的任务拆解就会出问题，一环错步步错。

第三，Agent 系统的复杂度比单纯调 API 高得多。你要处理工具定义、错误处理、循环检测、多 Agent 协作……这些都是工程上的硬骨头。

但即便如此，Agent 依然是 LLM 落地最可行、最有前景的方向。因为它解决的是"LLM 怎么真正用起来"这个根本问题，而不是在那儿调模型参数、刷 benchmark 分数。

---

这章我们学到了什么

咱来快速过一遍这章的要点：

• LLM 是一个超级大脑，装满了文字接龙的规律，但只能输出文字，无法干预现实
• LLM 有三大硬伤：幻觉（会编假信息）、知识滞后（不知道新发生的事）、无法执行操作（只能耍嘴皮子）
• Agent = LLM + 规划 + 记忆 + 工具，给大脑装上了眼睛、手脚和记事本
• Agent 的核心能力：任务拆解、上下文管理、工具调用、反馈调整

这些概念你得记牢，后面咱们讲 Function Call、讲 MCP 协议，都是在这些基础上继续盖楼。

下一章咱们要聊的是 Agent 落地最关键的一环——Function Call，也就是"怎么让 AI 调用工具"。这是从理论到实践的第一步，也是你真正能动手写代码的第一步。我会用完整的代码示例，手把手教你实现一个能查天气、搜新闻、调 API 的 Function Call 系统。

三连催更，咱们下章见！

---

作者：利威尔xu，一个正在死磕 AI 应用落地、热爱分享的普通后端开发。如果这篇文章对你有帮助，欢迎点赞、收藏、关注，更多硬核内容持续更新中。