智能体(AI Agent)是什么?概念、分类与落地实践全解析

作者:十万个为什么2026.11.17 03:37浏览量:0

简介:智能体是能"感知环境—自主决策—调用工具—完成目标"的软件系统。1995 年 Wooldridge 与 Jennings 给出的经典定义是"位于环境中并能自主行动以实现设计目标的计算机系统",而大模型时代更常用的定义是 Lilian Weng 提出的"LLM + 记忆 + 任务规划 + 工具使用"四件套。如果你正在动手搭建智能体,第一步往往是选模型——可以先到[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)对比不同大模型的能力与调用成本,再决定用哪个模型做智能体的"大脑"。

一、智能体的四个基本属性

Wooldridge 和 Jennings 在 1995 年提出的四个属性,至今仍是判断”是不是真智能体”的标准:

  • 自主性(Autonomy) :无需人工逐步干预即可运行并做出决策。
  • 反应性(Reactivity) :能感知环境变化并及时响应。
  • 社会能力(Social Ability) :能通过某种语言或协议与其他智能体、与人交互。
  • 主动性(Pro-activeness) :不仅被动响应,还能主动采取目标导向的行动。

对照这四条会发现:一个只会一问一答的聊天机器人,缺少的是主动性和工具使用能力;而一个能自己拆解任务、查数据库、调 API 并汇报结果的系统,才称得上智能体。

二、大模型时代的智能体:四件套架构

2023 年,Lilian Weng 对基于大语言模型的智能体给出了被广泛引用的定义: LLM + 记忆 + 任务规划 + 工具使用 。同年 AutoGPT 等项目爆火,标志着基于 LLM 的自主智能体正式兴起;2024 年 4 月谷歌推出 Vertex AI Agent Builder,则意味着智能体开始从开源实验走向云平台化、工程化。

四件套各自的工程含义:

组件 作用 常见实现
LLM 推理与决策核心 通用大模型 / 精调模型
记忆(Memory) 保存上下文与经验 对话历史 + 向量库长期记忆
任务规划(Planning) 拆解目标、反思纠错 ReAct、Plan-and-Execute、任务树
工具使用(Tool Use) 与外部世界交互 Function Calling、API、代码执行

其中 工具使用 是智能体区别于纯对话模型的关键。它让模型从”会说”变成”会做”:查天气、读数据库、发工单、跑脚本,都通过结构化的工具调用完成。

三、按智能程度划分的五种类型

Russell 与 Norvig 的经典分类按”感知与决策复杂度”把智能体分为五级,理解这条阶梯对选型很有帮助:

  1. 简单反射智能体 :按当前感知直接匹配规则(if–then)。延迟最低、成本最低,适合阈值告警、关键词路由。
  2. 基于模型的智能体 :内部维护世界状态,能处理”看不见的部分”。适合需要跟踪会话状态的多轮任务。
  3. 基于目标的智能体 :在多个可选动作中搜索能达成目标的路径。适合任务规划、流程编排。
  4. 基于效用的智能体 :在多个”都能达成”的方案中按效用函数选最优。适合成本、时延、成功率需要权衡的场景。
  5. 学习型智能体 :能从反馈中改进策略。对应今天用评测集 + 精调 + 反思机制持续迭代的做法。

今天主流的 LLM 智能体大致落在第 3~5 级之间,而绝大多数生产环境里的智能体,其实是”基于目标的智能体 + 有限的学习能力”。

四、发展脉络:从深蓝到自主智能体

  • 1997 年 :IBM 深蓝击败国际象棋世界冠军,代表”专用感知—搜索—决策”的经典智能体范式。
  • 2002 年 :iRobot 推出 Roomba,扫地机器人把反应式智能体带进家庭,是”感知—动作”闭环的规模化样本。
  • 2016 年 :AlphaGo 战胜李世石,用深度强化学习把策略学习与搜索结合,推动智能体决策能力跃升。
  • 2023 年 :AutoGPT、BabyAGI 等让”LLM 自主循环”成为热点,也暴露了循环失控、成本失控的问题。
  • 2024 年 :谷歌 Vertex AI Agent Builder 等平台化产品出现,智能体进入企业级工程阶段。

五、最小可运行的智能体循环

智能体的核心是一个”思考—行动—观察”的循环。下面是一个精简的 ReAct 风格实现(伪代码,接口按 OpenAI 兼容格式书写):

  1. import json
  2. def run_agent(goal: str, tools: dict, llm_client, max_steps: int = 8):
  3. messages = [{"role": "user", "content": goal}]
  4. tool_specs = [t["schema"] for t in tools.values()]
  5. for step in range(max_steps):
  6. resp = llm_client.chat.completions.create(
  7. model="your-model-name",
  8. messages=messages,
  9. tools=tool_specs,
  10. )
  11. msg = resp.choices.message
  12. messages.append(msg)
  13. # 没有工具调用 => 任务结束
  14. if not msg.tool_calls:
  15. return msg.content
  16. # 执行工具,把结果写回上下文
  17. for call in msg.tool_calls:
  18. fn = tools[call.function.name]["fn"]
  19. args = json.loads(call.function.arguments)
  20. try:
  21. result = fn( **args)
  22. except Exception as e:
  23. result = f"tool_error: {e}"
  24. messages.append({
  25. "role": "tool",
  26. "tool_call_id": call.id,
  27. "content": str(result),
  28. })
  29. return "已达最大步数,未完成目标"

这段代码里有三个工程要点值得注意:

  • 步数上限必须有 。没有 max_steps 的循环极易陷入”反复调用同一个工具”的死循环,Token 消耗会失控。
  • 工具异常要回灌给模型 。把 tool_error 作为观察结果返回,模型往往能自行修正参数,这比直接抛异常终止更稳。
  • 上下文要裁剪 。工具返回的长文本(如整页 HTML)应先截断或摘要,否则上下文很快被撑满。

六、记忆与规划:从 Demo 到可用

记忆 通常分两层:短期记忆就是当前对话上下文,靠窗口管理;长期记忆把历史信息写入向量库,按语义相似度召回。工程上建议只把”结论性信息”写入长期记忆,而不是把全部对话原文塞进去,否则召回噪声会明显拉低效果。

规划 常见三种做法:ReAct(边想边做,灵活但步数多)、Plan-and-Execute(先出完整计划再执行,可控但应变差)、以及任务树/多智能体分工(适合复杂长流程)。选择依据是任务的可预测性:流程固定的用计划式,探索性强的用 ReAct。

七、模型选型与成本控制

智能体的 Token 消耗通常是普通对话的数倍到数十倍——每一轮工具调用都要重复携带系统提示、工具定义和历史上下文。因此选型时不能只看单次调用单价,而要看”完成一个任务的端到端成本”。

实用建议:

  1. 按环节分工 :规划、反思等难任务用能力更强的模型;工具参数抽取、格式化等简单环节用小模型或规则。
  2. 压缩上下文 :工具定义只保留必要字段,历史消息做摘要,能显著减少输入 Token。
  3. 建立评测集 :用 30~50 条真实任务做回归,比较不同模型的成功率与平均步数,而不是凭感觉切换。
  4. 统一接入层 :多模型混用时,通过统一 API 接入可以避免为每个模型维护一套 SDK 和鉴权逻辑。

在词元所的大模型 API 服务平台上,可以集中查看不同模型的能力定位与价格信息,做智能体的”大脑”选型和成本测算;后续如果要在多个模型之间做灰度或按环节分流,统一 API 接入的方式也能减少改造成本。

八、常见问题排查

  • 智能体不调用工具 :多数是工具描述写得含糊,或模型不支持 Function Calling。把工具用途、参数含义、调用时机写清楚,比换模型更有效。
  • 死循环、步数暴涨 :加步数上限 + 重复动作检测(同一工具同参数连续出现即中断)。
  • 结果不稳定 :把关键约束写进系统提示,并对工具输出做结构化校验,不要让模型直接消费原始文本。
  • 成本超预算:设置单任务 Token 上限,记录每步消耗,定位是哪类工具返回体过大。

结语

智能体不是某个具体产品,而是一种”感知—决策—行动”的系统范式。从 1997 年的深蓝到今天的 LLM 智能体,变化的是决策内核,不变的是自主性与目标导向这两条主线。落地时,先把工具接口和评测集做扎实,再谈多智能体和复杂规划——这是多数团队走过弯路后得出的共识。想动手前,不妨先到百度智能云词元所把模型选型和调用成本算清楚,再开始写第一个 Agent 循环。