【AI技术】Agent:AI 为什么需要“自主决策”?

前两篇我们分别介绍了:

  • Prompt:告诉 AI 应该做什么
  • Skill:封装一类可复用能力【AI技术】从 Prompt 到 Skill:AI 到底“会什么”?-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165364646?spm=1001.2014.3001.5501
  • Tool:让 AI 获得实际执行能力
  • Workflow:将多个工具组合成固定流程【AI技术】从 Tool 到 Workflow:AI 如何真正“做事”?-CSDN博客https://blog.csdn.net/dfraetaem/article/details/165491014?spm=1001.2014.3001.5501

到这里,AI 已经可以完成很多实际任务。例如:

读取文件 ↓ 处理数据 ↓ 查询信息 ↓ 生成报告

但随着任务复杂度增加,一个问题逐渐出现:

如果下一步应该做什么,开发者无法提前确定怎么办?

例如“分析这份数据,并找出可能的问题”,AI 可能需要:

查看数据结构 ↓ 发现字段缺失 ↓ 决定补充信息 ↓ 进一步分析异常 ↓ 生成结果

这个过程中,每一步都不是完全固定的。

因此,我们需要一种能够满足以下目标的 AI 应用模式:

  • 理解目标
  • 制定计划
  • 调用工具
  • 根据结果调整方案

也就是——Agent(智能体)。


一、Agent:让 AI 具备自主决策能力

Agent 通常翻译为智能体。简单理解:

Agent 是能够根据目标,自主规划步骤并调用工具完成任务的 AI 系统。

与普通聊天机器人相比,Agent 不只是:

用户提问 ↓ AI回答

而更像:

用户目标 ↓ Agent 理解任务 ↓ 制定执行计划 ↓ 调用工具 ↓ 观察结果 ↓ 调整下一步行动 ↓ 完成任务

一个简单例子

用户询问:“帮我分析这份数据,并生成报告”。

普通 Workflow所有步骤提前确定。:

读取文件 ↓ 数据清洗 ↓ 生成报告

而 Agent:

读取文件 ↓ 发现数据缺少关键字段 ↓ 决定先检查数据来源 ↓ 调用数据库查询补充信息 ↓ 重新分析 ↓ 发现异常 ↓ 决定生成详细报告

这里最大的区别是:

Agent 可以根据当前情况决定下一步,而不是完全按照固定流程执行。


二、Workflow 和 Agent 有什么区别?

这是 AI 应用开发中最容易混淆的问题。

简单来说:

Workflow 是固定流程,Agent 是动态决策。

可以这样理解:

WorkflowAgent
中文工作流智能体
核心固定流程自主决策
执行方式按预设步骤执行根据目标动态调整
灵活性较低较高
开发方式设计流程设计能力和约束
适合场景流程明确的任务复杂、不确定任务

Workflow 示例

例如一个固定的数据处理流程:

上传文件 ↓ 读取数据 ↓ 清洗数据 ↓ 统计分析 ↓ 生成报告

因为流程非常明确,所以适合使用 Workflow。


Agent 示例

例如一个数据分析助手:

用户:分析这份数据,告诉我有哪些问题。 Agent: 1. 查看数据结构 2. 判断需要哪些分析方式 3. 调用数据分析工具 4. 根据结果决定是否进一步查询 5. 输出结论

这里没有固定规定:

第一步一定是什么,第二步一定是什么。

而是由 Agent 根据当前情况决定。


三、Agent 的核心组成

一个简单的 Agent 通常包含几个部分:

Agent │ ├── 大语言模型(LLM) │ ├── 任务目标 │ ├── 思考与规划能力 │ ├── Tool 工具调用能力 │ └── 状态记录 / Memory

其中:

1. LLM:负责理解和推理

例如,理解用户目标:

“分析数据中的异常。”

又或是,判断:

“我需要先查看数据结构。”


2. Tool:提供执行能力

Agent 本身不能:

  • 读取文件
  • 查询数据库
  • 调用 API

所以需要调用 Tool。

例如:

Agent ↓ Python Tool ↓ 执行数据分析 ↓ 返回结果

3. Planning:任务规划

这是 Agent 与普通 Workflow 的关键区别。

Workflow:步骤已经写好

Agent:根据目标决定步骤

例如:

目标:完成市场分析 Agent: 需要搜索资料? 需要分析数据? 需要生成报告? 决定执行顺序。

四、Agent 是否等于“会调用工具的 AI”?

这是一个常见误区。

很多人认为:

AI 能调用 Python 或 API,就是 Agent。

实际上并不是,例如:

用户:计算这个数据。 AI:调用计算工具。--→ 工具返回结果。 AI:输出答案。

这里是AI+Tool,但不一定是 Agent。因为它只是调用了一个工具。

但如果流程是:

读取文件 ↓ 调用 Python ↓ 生成结果

而这些步骤都是开发者提前定义好的,那么它更接近工作流Workflow。


真正的 Agent是这样的:

用户:完成一个复杂任务。 Agent:判断需要哪些工具 ↓ 决定执行顺序 ↓ 根据结果调整方案 ↓ 完成任务

关键区别:

Agent 的核心不是调用工具,而是决定什么时候调用什么工具。


五、MCP:让 Agent 更方便连接外部能力

随着 Agent 发展,又出现了一个新的问题:

每个工具都有不同的接口,AI 如何统一连接?

例如有文件系统、数据库、搜索服务、企业应用、第三方 API等等,如果每个工具都需要单独开发连接方式,会越来越复杂。因此出现了MCP(Model Context Protocol,模型上下文协议)。

简单理解,MCP 是一种帮助 AI 连接外部工具和数据的标准协议。

可以理解成,传统方式:

AI ↓ 每个工具单独开发接口 ↓ 文件 数据库 API

而MCP则是:

AI ↓ MCP ↓ 统一连接 ↓ 文件 数据库 API

它的作用就是给AI 提供一个统一的“工具连接标准”。


六、Skill、Tool、Workflow、Agent 的完整关系

到这里,我们可以把整个 AI 应用链路连接起来:

Prompt:告诉 AI 做什么 ↓ Skill:封装一类能力 ↓ Tool:提供执行能力 ↓ Workflow:按照固定流程完成任务 ↓ Agent:自主决定如何完成任务

可以简单记忆:

概念解决的问题
Prompt我要告诉 AI 什么?
SkillAI 应该具备什么能力?
ToolAI 可以执行什么操作?
WorkflowAI 应该按照什么流程执行?
AgentAI 下一步应该做什么?

七、什么时候应该使用 Agent?

当然并不是所有 AI 应用都需要 Agent。

如果任务:

  • 流程固定
  • 步骤明确
  • 结果可预测

那么Workflow 往往已经足够。

例如这种固定流程没有必要引入 Agent:

自动生成日报 ↓ 读取数据 ↓ 整理格式 ↓ 发送消息

而 Agent 更适合:

  • 任务目标明确,但过程未知
  • 需要多步骤推理
  • 需要动态选择工具
  • 需要根据结果调整方案

例如:

用户:帮我完成一次市场调研。 ↓ AI:搜索资料 ↓ AI:整理信息 ↓ AI:分析数据 ↓ AI:生成报告

小结

从第一篇到第三篇,我们可以看到 AI 应用能力的逐步扩展,它们分别代表:

Prompt:告诉 AI 怎么做
Skill:让 AI 拥有某类能力
Tool:让 AI 可以执行操作
Workflow:让多个能力形成固定流程
Agent:让 AI 自主规划完成任务

最终Workflow 解决“如何按照流程完成任务”,Agent 解决“面对复杂任务时,下一步应该怎么做”。

但 Agent 并不是 AI 应用的终点。随着 Agent 需要连接越来越多的数据、工具和服务,如何让 AI 更方便地访问外部世界,会成为新的问题。这也引出了MCP、Memory、RAG 等 AI 应用架构。

相关新闻

Docker容器名冲突排查指南:从报错原理到彻底解决

Docker容器名冲突排查指南:从报错原理到彻底解决

第一次在终端里看到docker: Error response from daemon: Conflict. The container name "/mysql" is already in use by container时,很多人的第一反应是“我是不是配置写错了?” 其实这个报错和 MySQL 无关,和配置也无关&#xf…

2026/11/18 1:23:43 阅读更多 →
五步把 Windows 11 瘦身:tiny11builder 完整实战指南与避坑清单

五步把 Windows 11 瘦身:tiny11builder 完整实战指南与避坑清单

五步把 Windows 11 瘦身:tiny11builder 完整实战指南与避坑清单 【免费下载链接】tiny11builder WinUI app for building smaller, customized Windows 11 images. 项目地址: https://gitcode.com/GitHub_Trending/ti/tiny11builder Tiny11Builder 是一套开源 PowerShel…

2026/11/10 2:56:34 阅读更多 →
pit_xs_224.in1k图像Embedding提取教程:num_classes=0与forward_features两种写法全解

pit_xs_224.in1k图像Embedding提取教程:num_classes=0与forward_features两种写法全解

【免费下载链接】pit_xs_224.in1k 项目地址: https://ai.gitcode.com/hf_mirrors/timm/pit_xs_224.in1k 点击查看 免费下载 本教程详解 pit_xs_224.in1k 图像模型的 Embedding 提取方法,对比 num_classes0 参数与 forward_features 函数两种写法&#x…

2026/11/11 4:47:21 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/18 13:59:04 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/18 15:33:23 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/18 17:05:28 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/18 14:33:19 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/18 17:05:28 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/18 14:13:08 阅读更多 →

日新闻

周新闻

月新闻