从“会说”到“会做”：AI Agent正在改变人机交互方式

如果说RAG让大模型（Large Language Model，LLM）学会了“开卷考试”，那么AI Agent（Artificial Intelligence Agent，人工智能智能体）则赋予了LLM“手和脚”，使其能够思考、规划并与真实世界互动-61。2024年，大模型从“会说”走向“会做”，AI Agent应运而生，将认知能力转化为实际行动-11。2025年被誉为“智能体元年”，AI Agent从通用平台技术转向垂直行业应用，在医疗、金融、工业制造等知识密集型领域创造明确的业务价值-1。然而许多学习者在接触这一技术时面临共同的痛点——会用LangChain调用API，但搞不清Agent与普通LLM的本质区别；看过几个Demo，却说不明白ReAct框架的运作原理；面试时遇到“Agent和Workflow有什么区别”这类问题，只能支支吾吾-。本文将从痛点切入→核心概念→关联解析→代码实战→底层原理→面试考点六个层面，系统拆解AI Agent技术体系，让你看完就能懂原理、会写代码、能答面试。

一、痛点切入：为什么有了大模型还不够？

大模型的能力固然强大——GPT-4o、Claude 3.5、DeepSeek等模型在语言理解和生成上已接近人类水平。但在真实的软件系统中，单一模型并不能直接解决复杂工程任务-7。

看一个典型场景：用户说“帮我查今天北京的天气，再根据天气预订一家评分最高的中餐厅”。

• 用传统方法（纯LLM调用）：

import openai
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "帮我查今天北京的天气，然后预订一家评分最高的中餐厅"}]
)
print(response.choices[0].message.content)
 输出： "抱歉，我无法获取实时天气信息，也无法帮你预订餐厅。建议你打开天气App查看，然后用大众点评预订。"

这段代码的问题在哪？大模型本身没有获取实时数据的能力，更没有执行预订操作的权限。它只能给出建议，却无法真正“做事”。

传统方式的四大痛点：

1. 无法获取实时数据：LLM的训练数据有截止日期，不知道今天的天气

2. 无法执行具体操作：LLM只会生成文本，不会调用API、不会发邮件、不会下单

3. 缺乏自主规划能力：面对多步骤任务（查天气→筛选餐厅→预订→发确认），LLM没有“分解目标”的能力

4. 无法记忆上下文：简单对话中尚可维持，但长周期任务极易丢失上下文

这些痛点催生了AI Agent的诞生——它不是对LLM的替代，而是对LLM能力的“工程化放大”-7。

二、核心概念：AI Agent到底是什么？

定义

AI Agent（人工智能智能体），全称Artificial Intelligence Agent，是指以大型语言模型为决策核心，具备感知、规划、记忆和行动能力的自主系统，能够理解复杂目标、动态拆解任务、调用外部工具，并在与环境的交互中持续优化行为以达成目标-7。

一句话概括：Agent = LLM（大脑） + 记忆 + 规划 + 工具 + 行动能力-35。

拆解核心关键词

• 感知（Perception） ：Agent的眼睛和耳朵。不仅接收文本输入，还能处理图像、结构化数据、音频乃至物理传感器数据，获取环境状态和用户意图-1。

• 规划（Planning） ：Agent的决策中枢。面对复杂目标（如“帮我规划一趟去北京的旅行”），将其拆解为可执行的子任务序列（查机票→订酒店→规划行程→发确认邮件）-7。

• 记忆（Memory） ：Agent的经验积累。短期记忆维持当前对话的连贯性，长期记忆将用户偏好、历史决策存入外部数据库（如向量数据库），下次遇到相似任务时可参考-61。

• 行动（Action） ：Agent的手和脚。通过调用工具（Tool）或函数（Function）执行具体操作，如调用天气API、发送邮件、操作数据库-7。

生活化类比

把LLM比作一位知识渊博的大学教授——他懂得很多理论，但只会回答问题，不会实际操作。AI Agent则是这位教授配备了一位全能助手：助手会查实时数据、会操作各种工具、会规划行程，教授负责思考和决策，助手负责动手执行。教授（LLM）加上助手（感知+规划+记忆+行动），就是一个完整的Agent。

三、关联概念：LLM、Workflow与Agent的本质区别

在日常讨论中，LLM、Workflow（工作流）和Agent经常被混用。理解三者的区别，是面试中高频考察的考点。

1. LLM（大语言模型）

• 定义：Large Language Model，基于海量文本训练的概率生成模型。

• 能力边界：输入文本→输出文本，是一个封闭循环。GPT-4的token限制导致无法处理超长文档，也无法获取实时数据-。

• 类比：一个只读过书、从未出过门的学者。

2. Workflow（工作流）

• 定义：预设的确定性任务执行路径，通常通过代码或配置文件明确定义每一步做什么。

• 能力边界：效率高、可预测，但缺乏对复杂语义和不确定环境的适应能力-7。遇到预设之外的情况就会失败。

• 类比：工厂里的流水线——每个工位做什么是定死的，产品规格变了就要重新配置。

3. Agent（智能体）

• 定义：以LLM为核心决策单元，叠加规划、执行和状态管理能力的系统形态-7。

• 能力边界：能够动态生成解决方案、感知上下文、调用工具、持续学习和调整。

• 类比：一个有经验的管家——能理解你的模糊指令，会根据情况灵活调整方案。

三者关系一句话概括

LLM提供认知能力，Workflow提供确定性路径，Agent在此基础上加入了自主决策和动态适应能力——Agent是“思考者+行动者”的合体，而LLM只是“大脑”，Workflow只是“流水线”-7。

对比表

四、概念关系梳理：Agent的四大核心模块如何协同工作？

一个完整的Agent系统由四个核心模块协同运作，形成“感知→规划→行动→记忆”的认知闭环-1。

┌─────────────────────────────────────────────────────────────┐
│                      AI Agent 架构                          │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   ┌─────────┐     ┌─────────┐     ┌─────────┐              │
│   │ 感知模块 │────▶│ 规划模块 │────▶│ 行动模块 │              │
│   │(Perception)    │(Planning)    │(Action)  │              │
│   └─────────┘     └─────────┘     └─────────┘              │
│        ▲               │               │                    │
│        │               ▼               │                    │
│        │         ┌─────────┐           │                    │
│        └─────────│ 记忆模块 │◀──────────┘                    │
│                  │ (Memory) │                               │
│                  └─────────┘                               │
│                                                             │
└─────────────────────────────────────────────────────────────┘

协同流程详解：

1. 感知模块接收用户输入和环境信息，结构化处理后传递给规划模块

2. 规划模块以LLM为大脑，拆解目标、制定行动序列，向行动模块下达指令

3. 行动模块调用具体工具（API、数据库、代码执行器等）执行操作

4. 记忆模块记录每一步的上下文和执行结果，供后续决策参考，同时将执行结果反馈给感知模块，形成闭环-1

五、底层原理：ReAct框架是如何驱动Agent工作的？

理解了Agent的模块构成，下一步需要知道这些模块是如何协同决策的——这正是面试中的高频考点。当前主流的Agent工作模式是ReAct（Reasoning + Acting） 框架，由Google Research在2022年提出。

ReAct的核心原理

ReAct是一种“思考-行动”交替循环的模式。在每一轮交互中，Agent会依次经历：思考（Thought） → 行动（Action） → 观察（Observation） ，然后根据观察结果进入下一轮思考，直到任务完成-61。

伪代码展示核心逻辑

 Agent 核心 ReAct 循环
messages = []       存储对话上下文
available_tools = [weather_api, search_api, book_restaurant]   可用工具列表

while True:
     1. 思考：将上下文和工具列表交给 LLM，获取下一步行动计划
    thought = llm.reason(messages, available_tools)
    
     2. 决策：判断是否调用工具
    if thought.has_tool_calls():
         3. 行动：调用指定工具，传入参数
        tool_result = call_tool(thought.tool_name, thought.params)
         4. 观察：将执行结果作为新的上下文，继续循环
        messages.append(Observation(tool_result))
        continue
    else:
         无工具调用，返回最终答案
        return thought.text

实际运行示例

以“帮我查今天北京的天气”为例，ReAct循环的执行过程如下：

这就是ReAct的核心价值：通过交替的思考与行动，LLM能够自主完成需要多步操作的复杂任务，并且每一步决策都基于上一步的实际执行结果，大幅减少了“幻觉”（Hallucination）问题-61-42。

六、代码实战：用LangChain实现一个可调用工具的Agent

理论讲完了，我们用代码来落地。以下代码基于LangChain框架，构建一个能够调用天气查询API和计算器的Agent。

环境准备

pip install langchain langchain-openai python-dotenv

完整代码示例

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.tools import tool
from langchain_core.prompts import ChatPromptTemplate

load_dotenv()   加载 .env 中的 OPENAI_API_KEY

 1. 定义工具（Agent的“手和脚”）
@tool
def get_current_weather(city: str) -> str:
    """查询指定城市的实时天气（模拟实现）"""
     实际应用中这里应调用真实天气API
    weather_data = {
        "北京": "晴，25°C，湿度40%",
        "上海": "多云，22°C，湿度65%",
        "深圳": "阵雨，28°C，湿度80%"
    }
    return weather_data.get(city, f"暂时无法获取{city}的天气信息")

@tool
def calculate(expression: str) -> str:
    """计算数学表达式，例如 '3  8 + 5'"""
    try:
        result = eval(expression)
        return f"{expression} = {result}"
    except Exception as e:
        return f"计算出错: {e}"

 2. 初始化 LLM（Agent的“大脑”）
llm = ChatOpenAI(model="gpt-4", temperature=0)

 3. 注册工具到 Agent
tools = [get_current_weather, calculate]

 4. 定义提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，可以调用工具来帮助用户完成任务。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

 5. 创建 Agent 和执行器
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

 6. 运行 Agent
if __name__ == "__main__":
     示例1：天气查询
    result = agent_executor.invoke({
        "input": "今天北京的天气怎么样？适合出门吗？"
    })
    print(f"Agent回答: {result['output']}")
    
     示例2：数学计算
    result = agent_executor.invoke({
        "input": "帮我计算 (8 + 2)  3 的结果"
    })
    print(f"Agent回答: {result['output']}")

代码执行流程解析：

1. 用户输入“今天北京的天气怎么样？”→ Agent的“大脑”（LLM）接收输入

2. LLM判断需要调用 get_current_weather 工具，生成工具调用指令

3. AgentExecutor执行该工具，获取返回值“晴，25°C，湿度40%”

4. 观察结果返回给LLM，LLM生成最终回答“北京今天晴，25°C，适合出门”

新旧实现方式对比：

• 传统纯LLM：只能回答“抱歉，我无法获取实时天气”

• Agent方式：自动判断需要调用工具→执行→返回真实数据→给出建议

应用场景延伸：AI志愿填报助手

基于上述Agent框架，可以快速构建一个高考志愿填报助手。以百度AI志愿助手为例，该工具在2025年升级后接入了文心大模型和DeepSeek-R1等多个大模型，支持自然语言对话，能提供“冲稳保”志愿推荐，并聚合往年录取数据、院校录取概率等信息-50。2024年6月25日，已有超过1000万用户使用该工具-50。

核心实现逻辑可参考以下伪代码：

@tool
def get_admission_probability(score: int, school: str, major: str) -> dict:
    """基于历史录取数据和考生分数，计算某校某专业的录取概率"""
     查询历年分数线数据库 + 分析招生计划变动
    return {"probability": "85%", "suggestion": "建议作为冲刺志愿"}

@tool
def recommend_schools(score: int, province: str, preference: str) -> list:
    """根据分数和偏好推荐“冲-稳-保”三个梯度的院校"""
     结合往年录取位次、专业热度、地域倾向综合推荐
    return [
        {"tier": "冲刺", "school": "XX大学", "probability": "30%"},
        {"tier": "稳妥", "school": "YY大学", "probability": "70%"},
        {"tier": "保底", "school": "ZZ学院", "probability": "95%"}
    ]

华为云也基于DeepSeek大模型开发了高考志愿推荐系统，结合学生成绩、专业偏好与地域倾向智能生成志愿方案-51。这些案例充分说明，Agent技术在垂直场景中的应用正在加速落地。

七、底层原理深挖：Agent技术依赖哪些基础能力？

Agent之所以能实现自主决策和工具调用，底层依赖以下几个关键技术：

1. Function Calling（函数调用）

这是Agent能够“调用工具”的核心机制。LLM经过专门微调后，不仅能够生成文本，还能输出结构化的工具调用指令（如JSON格式的 {“tool”: “weather_api”, “params”: {“city”: “北京”}}）。OpenAI在2023年6月首次在GPT-4中引入此能力，此后各大模型厂商纷纷跟进-。

2. 向量数据库与RAG

Agent的长期记忆通常借助向量数据库（如Chroma、Pinecone、Weaviate）实现。用户的对话历史、偏好信息被转化为向量存储，需要时通过相似度检索召回。Pinecone等向量数据库在过去一年平均降价60%，大大降低了Agent的落地门槛-11。

3. 模型上下文协议（MCP）

随着Agent需要调用的工具数量激增，如何标准化工具与模型的连接成为新问题。MCP（Model Context Protocol）应运而生，被称为AI时代的“USB-C”接口，将数据库schema、API描述、用户历史对话统一序列化为标准格式，成为连接模型与数据源、工具的标准接口-2-11。

4. 多智能体协作（Multi-Agent System）

面对需要多领域协同的复杂企业任务，单一Agent往往力不从心。多智能体系统（MAS）通过将任务拆解并交由不同专长的Agent协作完成，实现“1+1>2”的集体智能-1。2025年，业界已形成层级式、平等式与混合式三类成熟架构，主流框架如AutoGen、CrewAI均支持多智能体协作-1。

八、高频面试题与参考答案

以下精选5道AI Agent方向的高频面试题，均来自2025-2026年大厂真实面试场景。

Q1：LLM和Agent有什么区别？

参考答案（踩分点：定义对比 + 能力差异 + 一句话总结）：

LLM（Large Language Model）是一个概率文本生成模型，输入文本输出文本，本身不具备目标意识和执行能力。Agent是以LLM为决策核心，叠加了感知、规划、记忆、行动四个模块的自主系统。简单说：LLM是大脑，Agent是大脑+手脚+工具+目标的完整人-35。

Q2：Agent和Workflow有什么区别？

参考答案（踩分点：确定性 vs 自主性）：

Workflow是预设的确定性路径，每一步做什么是代码写死的，适合流程固定的批量任务。Agent具备动态决策能力，能根据中间结果调整下一步计划。比如处理退款申请：Workflow按“检查订单→审核→打款”固定流程走；Agent会先判断订单类型，若金额超过阈值自动转人工，遇到异常自行重试或换方案。Workflow执行路径，Agent生成路径。

Q3：请解释ReAct框架的工作原理。

参考答案（踩分点：三要素 + 循环过程 + 优势）：

ReAct（Reasoning + Acting）通过交替执行 “思考→行动→观察” 的循环来驱动Agent。思考阶段LLM分析当前状态并规划下一步；行动阶段调用具体工具；观察阶段获取执行结果并作为下一轮思考的输入。优势是每一步决策都基于实际结果，能有效减少LLM幻觉，提升复杂任务的成功率-61-42。

Q4：Function Calling是如何让Agent调用工具的？

参考答案（踩分点：微调原理 + 结构化输出 + 执行流程）：

Function Calling是通过对LLM进行专门微调实现的。微调后的LLM不仅生成自然语言，还能输出结构化的工具调用指令（如JSON格式 {“name”: “weather_api”, “parameters”: {“city”: “北京”}}）。开发者在Prompt中描述工具名称、参数类型和描述，LLM判断需要调用时输出结构化指令，由AgentExecutor解析并执行对应函数，再将结果返回给LLM生成最终回复--42。

Q5：多智能体协作有哪些常见架构？分别适合什么场景？

参考答案（踩分点：三类架构 + 场景匹配）：

多智能体协作主要有三类架构：层级式（一个主Agent分解任务，多个子Agent执行，适合客服系统）、平等式（多个Agent平等协商、相互协作，适合科研模拟）、混合式（二者结合，适合复杂企业应用）。主流框架中，AutoGen擅长多Agent协作，CrewAI强调角色分工，LangChain侧重模块化开发-69-1。

九、结尾总结

回顾全文核心知识点：

学习建议：掌握Agent技术的最佳路径是“概念理解 → 代码实践 → 原理深挖 → 面试准备”四步走。建议先从本文的代码示例入手，在本地跑通一个能调用天气API的Agent，再逐步加入记忆模块和多工具协作，最后结合面试题查漏补缺。

预告：下一篇将深入讲解 “如何用LangGraph构建有状态的复杂Agent工作流” ，涵盖状态管理、条件分支、错误恢复等工程化实践，欢迎持续关注。