本文收录于专栏 agent智能体系列 ------ 专栏系统覆盖 AI Agent 的记忆、工具、插件与实战，点击订阅可跟踪后续更新。
本课定位 ：如果你在学习 Agent 相关的东西，这篇课直接给你决策性建议：也许你已经熟悉 ChatGPT/DeepSeek 这类对话应用，但"Agent"和它们差在哪？ 本课先把这个被用滥的词钉死：一句话定义、三级分类、与 Workflow 的架构...分界线，最后给出"要不要用 Agent"的判定框架。学完你能准确判断手头任务是 Agent 问题还是普通工程问题------这是整门课的第一块基石。
阶段 1｜概念与基础 ｜ 来源：【微·1】（微软 AI Agents for Beginners 第 1 课）+ Anthropic《Building Effective Agents》 ｜ 知识更新至 2026-10
关键字： AI Agent、智能体定义、大模型应用、Workflow、工具调用、记忆机制、自主智能体、Agent分级
本节目录
- [1.1 一句话定义](#1.1 一句话定义)
- [1.2 三级分类：从反应式到自主式](#1.2 三级分类：从反应式到自主式)
- [1.3 Workflow vs Agent：架构分界线](#1.3 Workflow vs Agent：架构分界线)
- [1.4 判定框架：三个维度](#1.4 判定框架：三个维度)
概念讲解
1.1 一句话定义
微软课程给出的是一个可用的工作定义：
AI Agent 是让大语言模型（LLM）真正"做事"的系统------通过给模型配备工具和知识，使其能对世界采取行动，而不只是回复文本。
微软原文把这句话拆成五个要素展开------其中第一个要素"系统"本身又含三个子件。以下按原文结构逐条吸收（贯穿示例沿用微软的旅行订票 Agent）：
要素一：系统（System）------Agent 不是单个东西，而是协同工作的部件集合。 微软强调"At its core, every agent has three pieces"（每个 Agent 的核心都是三件套）：
| 子件 | 含义 | 旅行订票 Agent 示例 |
|---|---|---|
| 环境（Environment） | Agent 工作所在的空间 | 订票平台本身 |
| 传感器（Sensors） | 读取环境当前状态的方式 | 查酒店余房、查航班价格 |
| 执行器（Actuators） | 对环境施加动作的方式 | 订房、发确认函、取消预订 |
"传感器/执行器"借自经典 AI 的 Agent 定义（Russell & Norvig 教科书的 agent = 感知 + 决策 + 行动）。LLM 时代的新东西是：决策核心换成了能用自然语言推理、并输出结构化动作的大模型。
要素二：大语言模型（LLM）------Agent 早于 LLM 存在，但 LLM 才是现代 Agent 强大的原因：理解自然语言、结合上下文推理、把一个模糊的用户请求变成具体的行动计划。
要素三：执行动作（Perform Actions）------没有 Agent 系统时，LLM 只是生成文本；装进 Agent 系统后，LLM 能真正"执行"步骤------查数据库、调 API、发消息。
要素四：工具访问（Access to Tools）------Agent 能用哪些工具取决于两件事：（1）它运行的环境（2）开发者选择给它接什么。旅行 Agent 可以被允许查航班但不能改客户记录------全看接线时怎么配。
要素五：记忆 + 知识（Memory + Knowledge）------短期记忆（当前对话）与长期记忆（客户数据库、历史交互）。旅行 Agent 会"记得"你偏好靠窗座位。
五要素与本课程后续内容的对应：要素二、三 → 第 2 课（LLM 视角下的消息与调用）；要素四 → 第 7/8/18 课（工具与协议）；要素五 → 第 13/14 课（上下文与记忆）；要素一的三件套如何组装成循环 → 第 6 课。
图源：微软 AI Agents for Beginners 第 1 课（aka.ms/ai-agents-beginners）。图中三分支对应 1.1 节五要素中的要素三/四/五；System 三子件（Environment/Sensors/Actuators）是承载这三者的运行底座，图未画出。
Anthropic 在《Building Effective Agents》（2024-12-19 发布）里补了一句更本质的刻画：
Agents are typically just LLMs using tools based on environmental feedback in a loop.
（Agent 通常不过是"在循环中基于环境反馈使用工具的 LLM"。）
这句话值得抄在本课扉页------它把 Agent 从营销叙事拉回到工程对象：一个循环，加上工具调用。第 6 课我们将亲手写出这个循环的 100 行以内版本。
1.2 三级分类：从反应式到自主式
按能力递增，本课程把 Agent 分为三级工作分类（微软课程原文用的是教科书式七类细分------简单反射 / 模型反射 / 目标驱动 / 效用驱动 / 学习型 / 分层 / 多智能体系统，见本课后附对照）：
Level 1 Reactive（反应式） 输入 → 输出，一次调用，无工具无状态
Level 2 Tool-use（工具使用） 输入 → 模型决定调哪个工具 → 拿结果 → 再推理
Level 3 Autonomous（自主式） 给定目标，自行规划多步任务、持续执行、自我修正三级之间的差异不是"模型大小"，而是控制权归属：
- 反应式：每轮对话独立，系统完全由代码路径决定。你每天用的"聊天助手"基本在这一级。
- 工具使用式：模型在"下一步做什么"上获得决策权------查数据库、调 API、跑代码，结果回传给模型继续推理。控制权在代码与模型之间交替。
- 自主式：模型拿到目标后自己拆任务、排顺序、判断完成与否，中途可以自主纠偏。控制权大体移交给模型，代码只负责提供工具和护栏（最大迭代数、预算上限、人工确认点）。
一个直观对照：问"帮我查一下订单 12345 到哪了"------
- 反应式系统只能回答"我无法查询"；
- 工具使用式系统会调用
query_order(12345)然后转述结果； - 自主式系统面对"查一下我上周那批迟到的订单、联系承运方催一下、把新 ETA 汇总发我"这种目标，会自己拆成查单→筛延期→调用催办→汇总四个动作。
三级与七类的对照：三级是七类的教学压缩------反应式 ≈ 简单反射/模型反射；工具使用式 ≈ 目标驱动（工具是其达成目标的手段）；自主式 ≈ 目标驱动 + 学习型 + 分层/多智能体的组合形态。工程讨论用三级够用，读文献时需知七类细分（Russell & Norvig 教科书谱系）。
1.3 Workflow vs Agent：架构分界线
"是不是 Agent"在业界吵了一年多，Anthropic 给出了目前被最广泛采纳的判据------谁决定执行路径：
Workflow（工作流） ：LLM 和工具通过预定义的代码路径 编排的系统。
Agent（智能体） ：LLM 动态主导自己的流程和工具使用、掌控任务完成方式的系统。
判定问题可以压缩成一个："下一步做什么"是谁定的？
| 问题 | Workflow | Agent |
|---|---|---|
| 下一步做什么 | 开发者预先写死（if/else、DAG） | 模型运行时自行决定 |
| 何时结束 | 代码走到流程终点 | 模型判断任务完成（或触发停止条件） |
| 路径可预测性 | 高，可穷举测试 | 低，同输入可能不同路径 |
| 出错定位 | 按流程节点排查 | 需要看完整轨迹（trajectory） |
两个常见误区：
- "带工具调用的就是 Agent"------错。一次"模型→工具→模型"的固定管道仍是 workflow（预定义路径：必调这个工具）。工具调用是 Agent 的必要条件，不是充分条件。
- "Agent 一定更高级"------错。能写死的流程就不该让模型自由发挥（见第 4 课的决策框架）。Anthropic 的原话是"find the simplest solution possible"。
1.4 判定框架：三个维度
微软第 1 课的原则开门见山："Just because you can use an AI Agent doesn't mean you always should"（能用不代表该用），并列出 Agent 真正发挥价值的三种情形------开放性问题（步骤无法预先编程，需要 LLM 动态找路径）、多步流程（跨多轮使用工具而非单次查询）、持续改进（基于用户反馈或环境信号变聪明）。把这三条与 Anthropic 的成本视角合并，本课程用三个维度判断该做到哪一级：
① 任务复杂度
- 步骤能否事先枚举？能枚举 → workflow；不能枚举、依赖中间结果动态分支 → 考虑 Agent。
- 模型能否可靠判断"信息够了/还缺什么"？这是 Agent 自主检索的前提。
② 容错要求
- 错一步的代价是"重新生成一版文案"还是"给客户错退款"？后者必须加确认闸门或干脆降级为 workflow + 人工审批。
③ 执行成本
- Agent 每步都要过一次模型：token 费、延迟、失败重试都是线性甚至超线性增长。单次 LLM 调用能解决的，绝不进循环。
三维度都倾向 Agent 的典型信号：任务开放性高（步骤不可预知）、单步错误可恢复、单位任务价值高（值得烧 token）------深度研究、代码工程、数据分析是当前最成熟的三类。这三条信号与微软第 1 课的"shines 场景"一一对应（开放性问题/多步流程/持续改进），而微软同时强调这些判断会放到后续"Building Trustworthy AI Agents"一课深挖（本课程第 25 课，同样建议提前学）。
案例实战：企业知识助手的边界判断（示意场景，需求形态取自常见企业信息化需求）
目标：一家制造企业要建内部知识助手，判断各子需求分别落在哪一级，避免"全上 Agent"的过度设计。
背景：需求方提出三个场景------
- 场景 A：员工问"差旅报销标准是什么？"
- 场景 B：查"我上个月的报销单走到哪一步了"
- 场景 C："把这季度所有超期的采购订单找出来，分析延期原因归类，输出一份带责任人的报告"
步骤一：逐场景过三维度
| 场景 | 步骤可枚举？ | 容错要求 | 成本敏感度 | 判定 |
|---|---|---|---|---|
| A 查制度 | 是（检索→生成两步） | 低（有原文兜底） | 高（高频） | RAG workflow，非 Agent |
| B 查进度 | 是（固定 API + 生成） | 中（查错会误导） | 中 | workflow + 工具调用 |
| C 出报告 | 否（延期原因要动态归纳，订单数量不定） | 中（报告供人审） | 低（季度一次） | 自主式 Agent |
步骤二：画出场景 C 的路径对比
Workflow 思路（写死）: Agent 思路（模型主导）:
拉全部订单 → 筛超期 → 目标：超期采购订单分析报告
按规则分类 → 套模板 ① 自查：先调 query_orders(status=delayed)
② 发现 3 类延期原因需要看每单备注
③ 逐单取详情 → 归纳分类
④ 对每类调 owner_lookup 找负责人
⑤ 判断信息充分 → 撰写报告
区别在 ②③：延期原因的类别数事先不知道，workflow 要么硬编码猜测的分类规则，要么留人工；Agent 可以基于逐单观察动态归纳。而场景 A/B 里 Agent 没有任何发挥空间------强上 Agent 只是让流程更贵、更难测。
完整代码：本课不写代码（第 6 课统一动手）。这里给出可复用的判定记录表模板：
markdown
## Agent 适用性判定记录（模板）
- 需求：
- 步骤可枚举：是/否 → 依据：
- 失败代价：低/中/高 → 具体后果：
- 频次与成本：日均次数 × 每次预估 token：
- 判定：反应式 / workflow / workflow+工具 / 自主 Agent
- 若 Agent，护栏：最大迭代数？预算上限？哪些动作需人工确认？预期输出：一份每场景一行的判定表 + 护栏清单。真实项目里，这张表应写进设计文档并在评审时逐行过------"为什么要 Agent"的举证责任在建设方。
小结
- Agent = LLM + 工具 + 循环 + 环境反馈；本体是"系统"而非单个模型。
- 三级分类（Reactive / Tool-use / Autonomous）的实质是控制权从代码向模型的转移。
- Workflow 与 Agent 的分界："下一步做什么"由预定义代码还是模型动态决定（Anthropic 口径）。
- 判定用三维度：任务复杂度、容错要求、执行成本；最简方案优先。
- 本课的判定框架在第 4 课将扩展为完整决策树；Agent 的核心组件总览见第 5 课《Agent 系统解剖》。
扩展阅读
🌐 网络提示：github.com 需代理（clone 可走 ghproxy 加速、push 优先 SSH）；anthropic.com 需代理（核心结论已摘进本课正文）。详见总纲附录《国内网络访问与国产适配指南》。
- 微软 AI Agents for Beginners 第 1 课（含视频与多语言翻译）：https://github.com/microsoft/ai-agents-for-beginners/tree/main/01-intro-to-ai-agents （仓库 73.8k star，2026-10-01 检索）
- Anthropic《Building Effective Agents》：https://www.anthropic.com/engineering/building-effective-agents （workflow vs agent 定义原文）
- Russell & Norvig《Artificial Intelligence: A Modern Approach》第 2 章（Agent 的经典感知-行动定义）
我的专栏
| 蛋白 / 抗体 / 多肽 / 核酸 | 分子模拟 / 动力学 / 对接 | 药物 / 设计 / 案例 | AI / Agent / 大模型 |
|---|---|---|---|
| 开源蛋白结构预测 | 分子模拟基础 | 小分子药物设计案例 | AI Agent系列 |
| 开源蛋白生成方法实践 | 分子动力学模拟-Amber | 蛋白药物设计案例 | 化学大模型 |
| 开源多肽设计模型 | 分子动力学模拟-Gromacs | 多肽药物设计案例 | 《AI Agent原理与实战》 |
| 开源多肽性质预测 | 分子动力学模拟-OpenMM | 开源小分子生成设计 | CADD中的机器学习模型 |
| DNA/RNA药物设计 | 結合自由能 | 开源药代动力学软件 | 高效计算配置 |
| siRNA药物设计模型 | UCSF DOCK系列 | 我胡师兄说药 | |
| ASO药物设计模型 | rDock系列 LeDock系列 gnina系列 |