前面四篇,你已经在和模型“对话”了:会发消息、会收流式、会拼上下文。但对话不是做事。
这一篇不写一行代码,只干一件事——把概念地图铺正:什么是 Agent、它和聊天机器人差在哪、由哪几部分组成。这张图铺歪了,后面三篇手写代码会处处别扭;铺正了,06、07、08 三篇就是顺着图纸装零件。
一、一个例子看出区别
任务:查一下北京明天的天气,如果低于 10 度,提醒我穿外套。
聊天机器人怎么做?
它没有查天气的能力。它唯一的能力是“预测下一个 token”,手里没有任何渠道去获取真实世界的实时信息。所以你问它天气,它只能基于训练数据编一个:
“北京明天大约 5 度,建议穿外套哦。”
数字是编的,语气却很自信。这叫幻觉(hallucination)。
更值得警惕的是:这次它恰好蒙进了“低于 10 度”这个区间,看起来像答对了。你把阈值改成“低于 0 度提醒”,它照样会用同样的自信编一个答案——它编的是话,不是事实。
Agent 怎么做?
- 模型思考:这个任务得先查天气 → 我手上有
get_weather这个工具可用 - 发起调用:
get_weather("北京")→ 返回真实数据:8℃ - 结果喂回模型,模型思考:8 < 10,该提醒
- 输出:明天北京 8℃,低于 10 度,记得穿外套。
区别一目了然,而且只有一条:Agent 能调用真实的功能(工具),并根据工具返回的真实结果决定下一步。
注意第 3 步——不是“调完就完”,是“调完还要接着想”。这一点是整篇的题眼,第三节展开。
二、Agent 的定义:一个公式
Agent = LLM + Planning(规划) + Memory(记忆) + Tools(工具),跑在一个循环里
拆开看每一项:
| 部件 | 干什么 | 对应系列篇目 |
|---|---|---|
| LLM | 大脑:理解、思考、决策 | 01~04 已学 |
| Tools | 手:查数据、算数、执行代码、发邮件 | 06~08 |
| Planning | 拆解复杂任务、动态调整 | 09~10 |
| Memory | 记住历史、偏好、中间状态 | 14 |
| 循环(Loop) | 心脏:把上面的一切转起来 | 07 |
新手最常见的误解,是把 Agent 理解成“很会聊天的高级机器人”。错。
判断标准只有一条:它能不能在循环里调用工具,并根据结果调整行为。 没有循环、没有工具,聊得再花哨也只是聊天机器人。
这个判断标准很重要,因为它反过来解释了为什么“给模型加一段超长 prompt,让它扮演会查天气的助手”依然不是 Agent——它没有手,只能编得更像。
三、Agent Loop:一张图看懂
Agent 的核心,是一个不断重复的循环,学名 ReAct(Reasoning + Acting,推理与行动):
┌──────────────────────────────────────────┐
│ │
▼ │
① 接收任务 │
│ │
▼ │
② 模型思考:下一步该干什么? │
│ │
├── 信息已经够了 ─────────→ ⑤ 输出答案,结束
│
▼
③ 需要外部信息?→ 调用工具(get_weather("北京"))
│
▼
④ 工具结果喂回模型 ─────────────────────────────┘
(带着新信息回到 ②,重新思考)
用“新员工上岗”类比,这套东西一点都不抽象:
- LLM 是聪明但哪儿都没去过的员工——书读得多,没碰过你们公司的系统
- 工具 是他工位上的电话、电脑、打印机
- 循环 是他的工作方式:接到任务 → 想想缺什么信息 → 打电话问(调用工具)→ 拿到答复 → 继续想 → …… → 干完了,汇报结果
关键在第 ④ 步:工具结果必须“喂回”给模型。模型看到新信息才会重新思考,这才叫“根据结果调整策略”。
如果调用完工具不把结果喂回去,等于员工打了电话、听了开头就把话筒放下——电话白打,任务卡死。这个坑在 07 篇手写循环时你会亲手踩一次,届时回头看这张图会特别清楚。
四、三步演进:你现在在哪
阶段 1:聊天机器人
用户问 → 模型答 → 结束
能力:只能靠训练时学过的知识回答
阶段 2:聊天机器人 + 记忆(02 篇实现的多轮对话)
历史重传 → 模型知道你们聊过什么
能力:记得住对话,但依然做不了事
阶段 3:Agent
循环 + 工具 + 规划 + 记忆
能力:能查真实数据、执行真实操作、能拆解多步任务
← 本系列的目标
你现在处于阶段 2。 接下来三篇(06、07、08)把你带到阶段 3。
顺带说一句:阶段 2 到阶段 3 不是“量变”——不是记得更多、答得更长,而是多了一个“行动”的维度。这是分水岭。
五、主流 Agent 产品都在这个框架里
用这个公式套一套你听过的产品,会有通透感:
| 产品 | 工具是什么 | 循环怎么表现 |
|---|---|---|
| ChatGPT(带联网/代码执行) | 搜索引擎、Python 沙箱 | 你看到它“正在搜索…”就是在循环 |
| Claude Code / Cursor | 读写文件、执行终端命令 | 编码 → 运行 → 看报错 → 改 → 再运行 |
| Coze / Dify 搭的 Bot | 平台提供的插件 | 插件节点按需触发 |
它们看起来很神秘,拆开都是同一个 Loop,差别只在工具清单和循环的终止条件。
第 07 篇你会亲手写出这个 Loop 的原型——大概 100 行,就是这些产品的骨架。写完再看上面这张表,感觉会从“通透”变成“就这?”。
六、三个常见误解
概念地图要铺正,光讲对的还不够,得把错的那几条先拆掉:
误解一:Agent 就是更聪明的聊天机器人。 不是。聪明不聪明是 LLM 的事,是不是 Agent 看有没有“循环 + 工具 + 根据结果调整”。一个参数量很小的模型套上循环和工具,也是 Agent;一个顶级模型只做单轮问答,也不是。
误解二:Agent 就是一段写得很长的 prompt / 一个工作流。 不是。工作流的路径是人提前写死的,Agent 的路径是模型在循环里边走边定的。前者你问它天气,它按你画的流程走;后者它可能先查天气、发现要按城市查、再去查城市编码——这个“发现”是运行时才出现的。
误解三:工具是模型自己执行的。 不是,这是最容易糊的一层。模型只是文本生成器,它在物理上碰不到你的数据库。真实过程是:模型“申请”调用(输出一段结构化的请求),你的代码“批准并执行”,再把结果喂回去。下一节就讲这个。
七、为什么 Agent 是现在这个架构(一点设计思想)
三个“为什么”,帮你想通而不是背下来:
为什么工具不由模型直接执行? 因为模型在物理上碰不到外部世界——它只有文本进、文本出。所以协议只能设计成“模型申请、代码执行”。这个限制反过来带来一个巨大的好处:安全边界天然落在你的执行层。模型想删库、想发邮件、想花钱,都得先经过你这一关,你可以在那里加白名单、加确认、加预算(08 篇详解)。
为什么需要循环? 因为复杂任务没法一次想清楚。比如“对比三个产品的价格”:你先查 A,看到 A 的返回结果,才知道 B 该按什么口径查。信息是逐步浮现的,决策必须跟着信息走,所以需要“做一步、看一步、再决定”的循环。
为什么需要记忆? 因为循环每转一轮、每开一个新会话,LLM 都是无状态的(02 篇)。它不记得上一轮想过什么、调过什么。记忆系统(14 篇)负责把该留的信息留下来,在合适的时机塞回上下文——注意“合适的时机”这四个字,塞错了比不塞更糟。
一句话收束这三问:Agent 的架构不是设计出来的优雅,是被 LLM 的三个硬约束(碰不到世界、一次想不清、没有记忆)逼出来的唯一解。
八、动手观察(这一篇不写代码,但可以动手)
实验一:打开一个带联网搜索的 AI 产品,问一个实时问题,盯住它“正在搜索…”的那几秒。那就是第 ③、④ 步在跑——你看到的转圈,是循环在转。
实验二:关掉联网(或用没有工具能力的模型),问它“现在北京天气怎么样”。看它怎么一本正经地编。请记住那个语气——以后你自己写的 Agent 出错时,也是这个语气。分辨“自信”和“正确”,是这一行最重要的直觉。
实验三:拿你常用的一个 AI 产品,用公式拆它一遍——LLM 是谁、工具有哪些、循环体现在哪、记忆存在哪。拆不动的那一项,就是你还没真正理解的部分。
九、本篇小结(记住这几句)
- 判断是不是 Agent,只看一条:有没有“循环 + 工具调用 + 根据结果调整”。会聊天不算。
- Agent = LLM + Planning + Memory + Tools,跑在循环里。
- ReAct 循环五步:接收任务 → 思考 → 调工具 → 结果喂回 →(够了则)回答。
- 工具是“模型申请、代码执行”,安全边界在你手里。
- 循环存在的根本原因:信息逐步浮现,决策必须跟着信息走。
十、思考题(下篇揭晓)
- 模型只会输出文本,它怎么“告诉”你的程序该调用哪个工具、传什么参数?(提示:想想 02 篇说的“结构化数据”)
- 循环怎么知道该停了?如果模型永远觉得“再查一下”,你的程序会怎么样?
下一篇:[06 手写 Agent Loop(上):准备工具] —— 先把“手”造出来:工具函数、工具描述、以及模型是怎么“看懂”它们的。
写在最后
如果想系统、完整地吃透 Harness、Hermes 整套前沿智能体开发体系,完成从只会调模型到可控、高质量、可落地的 AI 工程交付进阶,可以关注慕课网近期上新的《Harness&Hermes 多智能体开发特训营》。