简介:本文从普通大模型的局限出发,讲清 AI Agent 的定义、四大核心组成与"感知—规划—行动—观察"的运行原理,对比自主规划型与工作流编排型两类 Agent 的适用边界,并给出角色指令、记忆表、知识库与工具调用的具体配置方法,帮助开发者搭建可控、可上线的企业级智能体应用。
Agent(智能体)本质上是在大模型外面套了一层”循环 + 工具”,让模型从被动应答变成能自己拆解任务、调用外部能力、根据返回结果继续推进的执行体。要把它做出来并跑稳,第一步往往不是写代码,而是选对底层模型——在 百度智能云词元所 上可以对比不同大模型的能力边界、调用成本与适用场景,并通过统一 API 接入,避免把业务逻辑绑死在单一厂商上。
直接调用 chat 接口,你拿到的是一台”问答机器”:给输入、返回输出,然后结束。即使支持多轮对话,模型也只是在当前上下文里被动响应,它不会主动做任何事,也不清楚自己上一步做了什么、下一步该做什么。
具体表现为四个缺失:
Agent 就是为了补这四块短板而存在的工程范式。
一个可用的 Agent 通常由四部分构成:
| 组成 | 作用 | 常见实现 |
|---|---|---|
| 大模型(大脑) | 理解意图、做决策、生成内容 | 通用大模型 / 精调后的行业模型 |
| 规划(Planning) | 任务拆解、选择下一步动作 | Prompt 约束、ReAct、工作流编排 |
| 记忆(Memory) | 保存会话上下文与长期用户属性 | 上下文窗口、记忆表、向量库 |
| 工具(Tools) | 与外部世界交互 | 搜索、数据库、代码执行、业务 API |
其中工具与知识是最能拉开效果差距的部分。通过组件可以增强或扩展模型能力,例如集成搜索组件让智能体检索互联网实时信息;通过知识库注入专业领域数据,提高特定场景下的响应准确性和专业性;通过数据库实现单表问答或多表联合问答。
Agent 的运行不是一次函数调用,而是一个持续迭代的循环。伪代码如下:
messages = [system_prompt, user_query]for step in range(MAX_STEPS):resp = llm.chat(messages, tools=tool_schemas) # 1. 思考:下一步做什么if not resp.tool_calls:return resp.content # 2. 无工具调用 = 任务完成for call in resp.tool_calls: # 3. 行动:执行工具result = TOOLS[call.name]( **call.args)messages.append(tool_result(call.id, result))messages.append(resp) # 4. 观察:结果写回上下文return "已达到最大步数,任务未完成"
关键点在于第 3、4 步:工具返回的真实结果被写回上下文,模型据此判断”上一步是否成功””下一步该干什么”。这就是 Agent 与 Chatbot 的分水岭—— Chatbot 生成文本,Agent 改变世界状态 。
工程上必须设置 MAX_STEPS 上限、单步超时和工具异常兜底,否则很容易陷入”反复调用同一工具”的死循环,把 Token 成本烧穿。
落地时最需要先做的决策,是选哪种形态。目前主流平台把 Agent 应用分为两类:
选择建议很直接: 输出错了代价高的场景,优先工作流 。比如退款审批,节点、分支、兜底话术都该由你写死,模型只负责节点内的语义理解与生成;而开放式咨询、创意辅助,交给自主规划更划算。
以”茶叶店销售助手”为例,核心配置只有三件事:
1. 先备好知识源。 知识源要稳定、结构清晰、持续更新,这是后续知识检索工具能用起来的前提。
2. 写清角色指令。 把任务、工具能力、记忆读写规则显式写进指令,而不是指望模型自己领悟:
# 角色任务作为茶叶店知识库销售助手,熟悉茶叶种类、功效、口感、冲泡方法,并能结合客户偏好与消费习惯推荐合适的茶叶。# 工具能力1. 判断用户提问意图2. 涉及茶叶问题时,调用知识库中"茶叶"相关内容作答3. 用户给出姓名与茶叶名称时,写入 @[记忆表]客户资料/name 与 /tealeaves4. 用户给出姓名与年龄时,按 name 检索历史购买的 tealeaves,结合偏好推荐可能感兴趣的茶叶类型
3. 配置记忆表。 让 Agent 能记住用户姓名、偏好等长期属性,这是”记住上一步”的工程化落地方式。
调试阶段建议单独准备 20~30 条真实用户问法,重点看三类指标:工具是否被正确触发、参数抽取是否准确、多轮后是否还记得前文约束。
对已有智能客服系统的企业,直接上生成式对话往往风险很高——可控性、安全性、并发延时都是现实问题。更稳的做法是双引擎机制:在多种知识结构基础上引入大模型生成式对话引擎,与原有的判别式对话引擎并行。
它的价值体现在三方面:
Agent 的 Token 消耗通常是普通问答的数倍——每一轮循环都要把系统提示、工具定义、历史消息和工具结果重新发一遍。因此选型不能只看单价,要看”完成同一任务的端到端成本”。
实操上分三步:
如果 Agent 需要接入多家模型做兜底或降级,统一 API 接入能显著降低集成复杂度,也方便后续按调用情况做管理与切换。
Agent 不是更长的 Prompt,而是一套包含规划、记忆、工具与评估闭环的工程系统。先把循环跑通、把工具做扎实、把成本算清楚,再谈自主智能程度,才是稳妥的落地路径。