AI Agent 的进化四课：你让AI写一篇文章，30秒里发生了什么？

你点了一份外卖。

手机屏幕上显示"骑手正在取餐"，二十分钟后门铃响了。你拿到饭，吃完，全程没多想一秒。但如果你停下来往回看——接单、备菜、烹饪、打包、配送——这链条里的每一个环节，缺一个都不行。

AI 写文章也一样。

你说"帮我写一篇公众号文章"，30秒后一篇排版精美、配图齐全的文章出现在草稿箱。你看了两眼，改了几个字，点了发送。

那 30 秒里发生了什么？

答案是：四堂课。AI Agent 花了四年时间，上了四堂课，才学会怎么像一个人一样完成这件事。

今天我们就来讲这四堂课。

第一课之前：一台只会"接话"的机器

2022年底，ChatGPT 横空出世。全世界都疯了。

你问它什么，它答什么。你让它写诗，它就写诗。你让它翻译，它就翻译。看起来无所不能。

但它有个致命缺陷。

它只能"接话"。你给一句，它回一段。它不知道今天是几号，搜不了最新的新闻，打不开任何网页，也写不了文件。就像一个被关在房间里的人，智商很高，但和现实世界之间隔着一堵墙。

为什么呢？

因为大语言模型的本质是"预测下一个字"。它读过海量的文本，学会了语言的统计规律，但它没有一个"行动"的出口。它能告诉你"查天气的方法"，但它查不了天气。它能描述"写代码的思路"，但它执行不了代码。

这在简单的问答场景里够用了。但写一篇公众号文章，需要搜索最新的热点、读取用户的历史风格、生成配图、排版推送——这些事，光靠"接话"做不到。

用一段伪代码来看，最原始的 AI 是怎么工作的：

没了。就这一条线。模型没有"手"，没有"眼"，只有一个"嘴"。你问"今天北京天气怎么样"，它会基于训练数据里见过的天气预报文本，编一段看起来合理的回答。但2023年3月15日的北京实际气温是多少？它不知道。它没见过那天的数据。

你让它写一篇关于"2025年AI行业最新动态"的文章——它写的全是2022年以前的知识。

就像一个被困在房间里的人。外面发生了什么，他不知道。

于是，第一堂课开始了。

第一课：学会用工具——"给它一双手"

这堂课的正式名字叫 Tool-Use，也叫 Function Calling。

名字不重要，重要的是它解决了一个关键问题：怎么让一个只会说话的大脑，长出可以做事的手。

实现的逻辑其实非常直白。先给模型配一张"工具菜单"：

{"tools": [{ "name": "web_search", "description": "搜索网页，获取实时信息" },{ "name": "read_file","description": "读取本地文件内容" },{ "name": "write_file", "description": "将内容写入文件" },{ "name": "generate_image", "description": "调用AI绘图接口生成图片" }]}

然后告诉模型：你需要用到什么工具的时候，说出来就行。

接着神奇的事情发生了：

用户: 帮我写一篇公众号文章，主题是"AI Agent 进化史"AI: 我需要先了解一下最近有什么相关的热点。    → [调用工具: web_search("AI Agent 2025")]系统: [返回搜索结果: 3条相关文章, 2篇论文...]AI: 好的，素材够了。我开始写大纲。    → [生成大纲中...]AI: 正文写到一半，需要配一张封面图。    → [调用工具: generate_image("AI Agent 进化四课 封面")]

每一次工具调用，都是模型在说"这件事我靠自己搞不定，帮个忙"。

模型遇到"查一下今天的热搜"时，它不再编一个假的热搜榜。它说："我需要调用搜索工具。"系统帮它搜了，把结果塞回给它。它看了一眼，继续写。

这个过程像一个什么比喻？一个被困在房间里但终于有了电话和电脑的人。以前有人敲门问"今天外面热不热"，他只能根据过去的经验猜。现在他可以拿起手机查天气预报了。

工具调用的本质，是打破了语言模型的边界。

从"我知道"变成了"我能做"。

但你很快就会发现问题。真实世界的任务，很少是"查一次→出结果"这么简单的。

比如写文章。你以为的流程是"搜一个关键词→拿到素材→写"。实际的流程是：搜了关键词→发现这个词热度不够→换一个词再搜→搜到了但是信息太少→换个搜索引擎再试→终于够了→开始写→写到一半发现数据不够→又去搜。

你看。这不再是一次性的"调用-返回"了。

这是一连串的"观察→调整→再行动"。

第二堂课由此而来。

第二课：学会思考——"边想边做"

这堂课的正式名字叫 ReAct，是 Reasoning（推理）和 Acting（行动）的合成词。

但我更喜欢一个厨房里的比喻。

你做一道菜。菜谱上写"加一勺盐"。你加了。然后你尝了一口——太咸了。你加了一点糖。再尝——嗯，差不多了。又觉得颜色不够好看，撒了几颗葱花。

你做菜的过程，不是"读完菜谱→一次性做完"。而是每一步都在观察结果，然后决定下一步怎么做。

ReAct 就是这个做菜的过程。

形式化地说——每个循环包含三个步骤。观察（现在是什么状态）→思考（我需要做什么）→行动（执行并得到新结果）。然后进入下一个循环。

不抽象。来看一个真实的 ReAct 写作场景——Agent 正在写一段关于"AI行业增长"的文字：

三个循环，三次观察-思考-行动。句子从一个空洞的断言，变成了一个锚定在数据上的信息点。

如果用伪代码把这个循环写出来，大概长这样：

def react_loop(task, tools, max_steps=10):    context = taskfor step in range(max_steps):# 观察(Observe): 审视当前状态        observation = observe(context)# 思考(Reason): 决定下一步做什么        thought = reason(observation)# 终止条件: 如果"想"完觉得够了，就输出if thought == "DONE":return context# 行动(Act): 执行工具调用，得到新信息        result = execute_tool(thought.selected_tool, thought.params)# 将结果加入上下文，进入下一轮        context += result

循环停下来的条件很简单——模型觉得自己已经足够好了，或者到了步数上限。

这才是人类写作的真实方式。没有人先把全文都在脑子里想好再落笔。你边写边发现缺了什么，缺了就去查，查到就写进去，写完再读，读不顺就改——每一轮都是一次微型的观察-思考-行动。

ReAct 让 Agent 从"执行者"变成了"问题解决者"。

它学会了灵活应变。

但你很快发现了新的问题。

灵活应变适合处理"当下的这一步"。写一段，发现缺素材，去搜。再写一段，发现语气不对，去调。这没问题。

但如果目标是写一篇完整的文章呢？如果目标是写一本书呢？如果目标是开发一个 App 呢？

如果没有地图，你会在细节的迷宫里绕不出去。

第三堂课来了。

第三课：学会规划——"谋定而后动"

这堂课的正式名字叫 Plan-Execute。先规划，再执行。

装修房子是最好的类比。

你拿到一套毛坯房。你不会拿起锤子就开始砸墙。你会先请设计师出一份图纸。客厅怎么布局，水电走哪里，家具放什么。图纸确认了，然后才是：拆除→水电→泥瓦→油漆→硬装→软装。

每一步有它的先后顺序。水电不能排在油漆后面——因为线管要埋在墙里。

复杂任务天生有结构。忽略这个结构，越灵活越容易出错。

Agent 学会了这一点。在开始写作之前，它先画一份"图纸"。这份图纸长什么样？以写一篇公众号文章为例：

注意 depends_on 这个字段——它定义了步骤之间的依赖关系。选题必须先于写作，排版必须在写作完成之后。但配图和 SEO 可以并行（它们都只依赖 step_5，互不依赖）。

这就是 Plan 的价值——在执行开始之前，依赖关系已经理清楚了。

然后用 ReAct 的能力一段一段去写——写的过程中该搜就搜、该改就改。这叫 Execute。因为有了 Plan，每一刻都知道自己在整个结构中的位置，不会走着走着偏离主线了。

我拿你正在读的这篇文章来举例。

写之前，Agent 先做了一个规划——这篇文章用"进化递进"的叙事框架，四堂课加一个番外，每节课讲一种模式解决什么问题、为什么被逼出来。这个规划保证了整篇文章的连贯性，不会写到最后发现自己跑题到了"AI 取代人类"的哲学讨论上。

然后每一段的写作仍然用 ReAct——写到某些地方发现需要更具体的例子，就去搜索真实的产品或论文作为佐证。

Plan 负责"不跑偏"。ReAct 负责"不枯燥"。

这就是 Plan-Execute 的核心价值：它让 Agent 从"处理一件事"升级到"搞定一个项目"。

三堂课下来，一个 Agent 已经很强了。能规划、能执行、能反思、能调用工具。一个人能干完大部分文章的写作工作。

但你有没有发现一个问题？

从头到尾，只有一个 Agent 在工作。

真实世界里的复杂产出——一本杂志、一部电影、一个软件产品——从来不是一个人完成的。是一个人定方向，另一个人写具体内容，第三个人配图排版，第四个人做最后的核对。

一个人的注意力有限。30 个步骤的任务，总会有某几步被做浅了、做漏了。

所以有了第四堂课。

番外课：学会协作——"一个人做不到的事"

这堂课的正式名字叫 Multi-Agent，多智能体协作。

它的核心洞察非常简单：不是造一个更强的 AI，而是让一群会配合的 AI 来干活。

回到编辑部这个比喻。

一个好的编辑部里不是只有一个员工。有主编负责选题和最终质量，有记者负责采访和写稿，有美编负责封面和排版，有校对负责错别字和事实核查。每个人专精一个环节，合在一起出来的东西，一个人绝对做不出来。

Multi-Agent 就是给 AI 配了一个虚拟编辑部。

实际操作中，一个"主编 Agent"先把文章规划好，然后启动几个"专家 Agent"并行工作。大概长这样：

三个 Agent 同时跑，主编拿到全部结果后汇总给写作 Agent。

整个过程在 30 秒内发生。

你可能觉得这离自己很远。其实就在此刻，Claude Code、Cursor、Copilot 这些编程助手背后已经在重度使用 Multi-Agent 模式了。一个 Agent 负责理解你的需求，一个 Agent 负责搜索相关代码，一个 Agent 负责写代码，一个 Agent 负责检查它。你只看到一个对话窗口，但窗口背后是一个团队在运转。

从信息论的角度说，Multi-Agent 解决了一个根本的瓶颈——单个模型的注意力是稀缺资源。把一个复杂任务拆给多个专业角色，每个角色只关注自己职责范围内的信息，整个系统的有效注意力就放大了数倍。

这不只是一个工程优化。这是 Agent 在组织形态上向人类靠近的关键一步。

尾声

最后，让我们回到开头那个场景。

下午三点，你对 AI 说"帮我写一篇公众号文章"。五分钟后，一篇排版精美的文章出现在草稿箱。

这五分钟里，五种模式各司其职。

大部分技术科普文章到这儿会补一句结论。但我想说点别的。

Agent 进化的四条路径——用工具、会反思、懂规划、能协作——本质上不是 AI 的原创。

这是人类几千年组织工作经验的外化。一个人干活遇到瓶颈了，开始用工具。工具用多了发现要复盘。小事做熟了开始做大事，需要规划。大事做多了开始建团队，需要协作。

AI Agent 的进化课，其实是重新走了一遍人类文明的效率之路。

只不过它走得快多了。

四年。四堂课。接下来是什么？没人知道。但有一件事是确定的——AI 在变得越来越像"一个人"。不是长得像，而是做事的方式像。

而理解这些方式，就是你理解 AI 最好的一把钥匙。