AI Agent 到底是什么?5 分钟搞懂核心概念

你好，我是江小湖。最近你可能到处听到"AI Agent"这个词——有人说它改变世界，有人说它是炒作。到底什么是 Agent？它和你天天用的 ChatGPT 有什么区别？这篇文章帮你一次讲清楚。

先不急着下定义，看一个场景：

你对 ChatGPT 说："帮我查一下上周 GitHub 上新增的 star 数，如果超过 100 就发一封邮件给团队。"

ChatGPT 回答："抱歉，我无法访问 GitHub 或发送邮件。"

ChatGPT 的回答完全正确——它只能生成文本，不能访问外部系统。

但如果你有一个 Agent，它可能会这样做：

• 1.调用 GitHub API，查询你仓库的 star 数据
• 2.判断 star 数是否超过 100
• 3.如果超过，调用邮件服务发送通知
• 4.把结果汇报给你

同一个请求，Chatbot 只能回答"我做不到"，Agent 能直接帮你把事办了。

这就是 Agent 的本质：不只是能"说"，还能"做"。

AI Agent（智能体）是一个以大语言模型为"大脑"，能感知环境、自主决策、调用外部工具、并根据反馈持续调整行动的智能系统。

拆开来看，一个 Agent 必须具备四个能力：

缺了任何一个，都不是完整的 Agent：

• •只能感知和推理，不能行动 → Chatbot（只会说不会做）
• •能执行固定流程，不会推理 → Workflow（只会按预设步骤走）
• •能推理和行动，但不看反馈 → 一次性脚本（执行完不管结果对不对）

Agent 的独特之处，在于它把"想"和"做"连成了一个闭环。

2026 年市面上有三种 AI 应用形态，经常被混为一谈。搞清楚它们的区别，是理解 Agent 的第一步。

Chatbot 回答问题 · Workflow 执行流程 · Agent 解决问题

你问一句，它答一句。 没有记忆，不会主动行动，不会调用外部工具。

典型代表：ChatGPT 的基础对话模式、客服机器人。

用户 → LLM → 回复

预设好步骤，按顺序执行。 每一步做什么是开发者提前写死的，LLM 只在某些环节参与。

典型代表：Dify 的固定工作流、Zapier AI 自动化。

步骤1 → 步骤2 → LLM处理 → 步骤3 → 结果

LLM 自己决定下一步做什么。 没有预设的固定流程，Agent 根据当前情况和执行结果，动态规划行动路径。

用户指令 → Agent 思考 → 调用工具 → 观察结果 → 继续思考 → ... → 最终回答

一句话区分：Chatbot 回答问题，Workflow 执行流程，Agent 解决问题。

Agent 的核心工作机制是一个循环，学术上叫 Agent Loop（Agent 循环）：

Agent 循环：感知 → 推理 → 行动 → 反馈，直到任务完成

每一轮循环，Agent 做三件事：

• 1.想（Think）：根据用户指令和历史执行结果，决定下一步做什么
• 2.做（Act）：调用工具执行操作（搜索、写文件、调 API、运行代码……）
• 3.看（Observe）：观察工具返回的结果，判断任务是否完成

如果任务没完成，Agent 回到"想"的步骤，带着新的信息继续规划。这就是 Agent 的"自主性"来源——它不是在执行预设脚本，而是在根据实时情况动态调整策略。

假设你说："帮我查一下北京明天的天气，如果下雨就提醒我带伞。"

Agent 的执行过程：

两轮循环，Agent 自主完成了"查天气→判断→提醒"的完整流程。没有任何人提前写好这个流程。

Agent 很强大，但不是所有场景都需要它。用对场景，事半功倍；用错场景，徒增复杂度。

• •任务步骤不确定：你无法提前穷举所有可能的执行路径
• •需要多步推理：一个问题需要拆解成多个子问题，逐步解决
• •需要调用多个工具：完成一个任务可能需要搜索、查数据库、调 API、写代码
• •需要根据结果调整：执行过程中可能遇到意外，需要动态应对

• •简单问答 → Chatbot 就够，加 Agent 循环是浪费
• •固定流程 → Workflow 更稳定、更便宜、更可控
• •一次性批量处理 → 脚本更快、更便宜

判断标准很简单：如果你能提前写出所有步骤，就不需要 Agent。如果你写不出来、或者步骤太多太复杂，Agent 才有价值。

Agent 不是免费的。在决定用它之前，你需要知道几个核心代价：

Agent 每轮循环都要调用大语言模型（LLM），而 LLM 按 Token（词元）计费。一个复杂任务可能需要 5-10 轮循环，一次 Agent 执行的成本可能是一次普通对话的 10-50 倍。

以 GPT-4o 为例：输入 $2.5/百万 Token，输出 $10/百万 Token。一个 10 轮循环的 Agent 任务，如果每轮消耗 2000 Token，总成本约 $0.25——听起来不多，但如果你的 Agent 每天处理 1 万个请求，月成本就是 $75。

每轮循环都是一次 LLM 调用，通常需要 1-5 秒。10 轮循环意味着用户可能要等 10-50 秒才能拿到结果。Agent 不适合需要实时响应的场景。

Agent 的行为是 LLM 动态决定的，同样的输入可能产生不同的执行路径和结果。这意味着：

• •难以复现 bug
• •需要更多的测试和监控
• •必须设置安全边界（Agent 不能删数据库、不能发邮件给全公司）

Chatbot 出了问题看日志就知道哪一步错了。Agent 出了问题，你需要搞清楚它在第几轮循环、做了什么决策、为什么做了那个决策——调试一个 Agent 比调试一个普通程序复杂得多。

总结一句话：Agent 是用更高的成本、更长的延迟、更多的不确定性，换取更强的自主解决问题能力。只有当"自主性"带来的价值大于这些代价时，Agent 才是正确的选择。

• •Agent 的本质：以 LLM 为大脑，能感知、推理、行动、反馈的智能系统——不只是能说，还能做
• •三种形态区分：Chatbot 回答问题，Workflow 执行流程，Agent 解决问题
• •核心机制：感知→推理→行动的循环（Agent Loop），动态决策，而非预设脚本
• •适用场景：步骤不确定、需要多步推理、需要多工具协作的复杂任务
• •核心代价：更高的 Token 成本、更长的延迟、更多的不可预测性

这篇文章帮你建立了对 Agent 的整体认知。接下来看看 2026 年的 Agent 生态全景——市面上到底有哪些 Agent、怎么分类、怎么选。

继续阅读 2026 主流 Agent 全景，了解 Agent 市场的七大品类和能力分级。

• •Anthropic — Building Effective Agents — Anthropic 官方的 Agent 构建最佳实践
• •OpenAI — A Practical Guide to Building Agents — OpenAI 的 Agent 构建实操指南
• •Lilian Weng — LLM Powered Autonomous Agents — 经典博文，系统梳理 Agent 架构
• •LangChain — What is an AI Agent — LangChain 对 Agent 的定义和分类
• •Google DeepMind — What are AI agents — DeepMind 视角的 Agent 概述