AI 智能体与 Agentic AI

当一个语言模型不再只是"回答",而是能够做出决策、调用工具并对结果做出反应时,我们就称之为智能体。 本页将说明智能体的组成部分及其工作循环。

什么是 AI 智能体?

AI 智能体是一个以语言模型作为"决策大脑"的系统,但与普通聊天机器人不同,它能够:感知周围环境、 将目标拆解为更小的步骤、调用工具(Tool)、观察结果,并据此决定下一步行动——所有这一切都无需人类在每一步进行干预。 这种能力被称为 Agentic AI。

智能体与普通 LLM 的区别

Agentic AI 与 AI Agent

这两个术语常被互换使用,但一个指的是某个具体的东西,另一个则指一种方法/范围。

• AI Agent(AI 智能体)指的是一个具体的、可运行的实例:一个将语言模型与工具、记忆和决策逻辑结合起来、以自主追求某个目标的单一系统。当你说"我构建了一个跟踪订单的智能体"时,指的正是这个具体实例。
• Agentic AI 是一个更宽泛的术语,描述的是一种架构范式,而不是某个具体实例。它表示一个 AI 系统拥有多少"能动性"(Agency)——即它在多大程度上可以在无需人类干预的情况下自行规划、决策并改变执行路径。Agentic AI 可以只包含一个智能体,也可以包含多个协同工作的智能体(一个多智能体系统);关键标准是系统的自主程度,而非智能体的数量。

自主性谱系:从简单调用到完整的 Agentic AI

在下表中越往下,执行路径的控制权就越多地从开发者转移到模型自身:

为什么这一区别很重要?

当你把一个产品称为"Agentic"时,你实际上是在声称整个系统以高度自主的方式做出决策——而不仅仅是一个带有若干工具的智能体。 例如,构成 OpenCommerce 基础的"代理型商务"架构,正是一个 Agentic AI 系统:多个智能体(买方、卖方、物流)各自独立决策, 并通过 A2A 等协议相互协调——而不仅仅是一个拥有更多工具的单一智能体。

智能体的核心组成部分

• 核心语言模型(Core LLM) — 推理与决策引擎
• 工具(Tools) — 智能体可以调用的函数(搜索、API、计算);这正是 MCP 所标准化的内容
• 记忆(Memory) — 保存短期或长期状态;详见 智能体记忆系统
• 规划器(Planner) — 将大目标拆解为更小步骤的逻辑

推理-行动-观察循环(ReAct)

最常见的智能体执行模式之一是 ReAct(Reason + Act,推理+行动):智能体对下一步进行推理, 执行一个动作(例如调用某个工具),观察结果,并重复这一循环,直到达成目标。

常见智能体架构模式

• ReAct — 交替进行推理与行动步骤(如上所述)
• Plan-and-Execute — 先预先设计好整个计划,然后逐步执行
• Reflexion — 智能体对自己的输出进行批判,并在下一次尝试中加以改进

当单个智能体不足以应对时,请参阅多智能体系统。

代码示例:一个简单的智能体循环

def run_agent(goal, tools, llm, max_steps=5):
    history = []
    for step in range(max_steps):
        thought = llm.reason(goal, history)
        if thought.is_final_answer:
            return thought.answer

        action = thought.next_action           # 例如: check_inventory(sku="123")
        result = tools[action.name](**action.args)
        history.append((thought, action, result))

    return "未能得出结果;需要人工介入"

风险与防护机制(Guardrails)

• 无限循环 — 始终设置一个步骤上限(max_steps)
• 工具访问权限过大 — 为每个工具定义所需的最小访问权限(MCP 原则)
• 不可逆操作 — 对于敏感操作(如支付),添加明确的确认步骤或金额限制

常见问题