让模型列一份旅行计划，是一次生成；让系统查询天气和车次、根据预算调整方案、保存行程并在付款前等待确认，才开始接近 Agent。
差别不在于回答更长，而在于任务被拆成可以观察、行动、反馈和纠正的循环。
Agent = 模型 + 上下文 + 工具 + 循环 + 约束；模型只是其中最会说话的一部分。
01 / ANATOMY先认识 Agent 的五个零件。
一个最小 Agent 不需要长得像科幻角色。只要系统能围绕目标保存状态、让模型决定下一步、调用某个工具、读取结果并继续，循环就已经形成。
目标
要完成什么，以及什么条件意味着任务结束。
状态
已经知道什么、做过什么、还缺什么、哪些判断待确认。
工具
搜索、读取文件、计算、编辑或操作外部系统的受控能力。
循环与约束
观察结果后继续或停止，并受权限、预算、确认和验证限制。
02 / TRACE一次可靠运行，应该留下可读的轨迹。
假设任务是“从文件夹里找出最新合同并整理风险点”。系统先观察文件列表，再判断哪个版本最新；工具读取文件，模型提取条款；核验步骤比较签署日期和版本号，最后输出风险点与来源页码。
如果中间任何一步失败，轨迹应该告诉我们失败发生在哪里，而不是只留下一个“抱歉，我无法完成”。
- 观察：当前环境和可用材料是什么？
- 决策：下一步做什么，为什么？
- 行动：调用哪个工具，参数是什么？
- 反馈：工具实际返回了什么？
- 核验：结果是否满足目标，是否需要继续或停下？
03 / CHOICE不是每个问题都值得做成 Agent。
固定步骤、确定输入、确定输出的任务，用普通程序或工作流通常更便宜、更稳定。只有当任务路径需要根据中间结果动态决定，Agent 的自主循环才真正有价值。
能用一条确定流程完成的事，不要为了“智能”而增加不确定性。
04 / TRY IT不用搭环境，也可以先体验系统差异。
本站交互实验室把同一个任务放进不同工作环境：拿掉上下文、检索或护栏，再观察过程和结果从哪里分叉。它不调用真实模型，但能帮助你先形成判断标准。
学习来源与阅读边界
- 《深入理解 AI Agent》开源仓库：十章工程主线与术语来源。
- 本前置系列由本站为非技术读者补写，使用生活化例子降低入口门槛，不替代原书。
- 不用访问 GitHub 也能在本站读完整内容并完成预编排互动；原始链接仅供想继续深挖的读者使用。
下一篇：怎样判断一个 AI 结果能不能用。
继续保持“先建立直觉，再补术语与工程细节”的顺序。
打开交互实验室 ↗继续零基础路线 →
读者评论
把这篇文章留给你的想法写下来。
还没有评论。你可以留下第一条。