从工具到队友：AI 不再只是「回答问题」，它开始「自己想办法」了

Agentic 设计模式 · 导论（上篇）

Rowan 千行，Matrix AI

你有没有注意到一个变化——

过去两年，AI 最大的新闻不是「又出了个大模型」，而是「AI 开始自己干活了」。

不是那种「你问一句它答一句」的干活，而是你给它一个目标，它自己拆解任务、自己找工具、自己改错、自己汇报进度。

这不是科幻，这是 2025 年真实发生的事。

但问题来了：这件事到底意味着什么？对企业管理者意味着什么？对产品经理意味着什么？对投资人意味着什么？对普通上班族意味着什么？

这是系列文章的开篇，我会用最直白的话，帮你把底层逻辑一次讲透。不写代码，不堆术语，只讲你真正需要知道的东西。

我们先从一个真实故事开始。

某全球金融机构的首席信息官（CIO），用一款 AI 编程工具做了件私事——把自家慈善网站从老式搭建器迁移到现代部署环境。

注意，他不是「用 AI 写了段代码」，他经历了一场协作。

这 20 分钟里发生了什么？

第一步，AI 没有闷头就干，而是先问他：「部署凭据在哪儿？目标环境是什么配置？」——它在澄清需求。

第二步，它开始自己拆解任务：先检查代码库结构，再配置 CI/CD 流程，再处理部署脚本。——它在自主规划。

第三步，干完活之后，它主动写了一组单元测试，还附上了部署文档。——它在自我检查。

第四步，全程它都在汇报进度：「这一步完成了」「遇到了一个权限问题，已绕过」「预计还需要 X 分钟」。——它在目标监控。

最后交付了一个可以直接上线的部署包。

CIO 的原话是：

*"It felt less like using a tool and more like collaborating with a junior developer."*

感觉不像在用工具，更像在跟一个初级开发搭档协作。

但他紧接着强调了一句至关重要的话：它会出错、会卡住、需要监督。

这句话值千金。后面我会反复回来聊这件事。

这个故事的本质，是一次代际跃迁。

过去十几年，大语言模型（LLM）一直在干一件事——让回答「看起来对」。它优化的是可信度，不是正确性。就像一个有冒名顶替综合征的实习生，话说得很漂亮，但你不敢真让他独立干活。

但从 2024 年开始，推理模型出现了。我们第一次看到「一台机器在做计划」——不是模拟计划，不是表演计划，是真的在拆解问题、分配资源、根据反馈调整路线。

从「说得像」到「想得通」，这是 AI 历史上最大的一次质变。

而今天我们聊的「Agentic 设计模式」，就是这次质变之后的操作手册。

理解这件事，需要一个根本性的思维切换。

过去所有的自动化——不管叫 RPA、叫工作流引擎、叫低代码平台——本质上都是同一件事：

你告诉机器每一步怎么走。

就像地铁站线路图：从 A 到 B 走 1 号线，从 B 到 C 换乘 2 号线。线路是死的，列车不会自己改道。

遇到障碍物？停车报错。线路临时调整？等人工更新。

AI Agent 的逻辑完全不同。

你只告诉它「我要去哪」，它自己规划路线。

就像 GPS 导航：你说「我要去机场」，它实时分析路况、避开拥堵、遇到修路自动改道、甚至建议你换一条更快的路。

这不是工具升级，这是商业模式的代际差。

以前卖的是「流程自动化」——客户得自己想清楚每一步怎么做，供应商只是帮你把手工操作变成机器操作。

现在卖的是「目标外包」——客户只需要说清楚「我要什么结果」，剩下的任务拆解、工具调用、异常处理，全部交给 Agent。

打个比方：以前你雇的是流水线工人，每一步都要你盯着；现在你雇的是项目经理，你说目标，他给你交结果。

这就是为什么我说，理解「从 how 到 why」，是所有后续讨论的地基。

有了上面这个地基，我们来聊 Agent 的能力分层。

我用一个比喻来讲：三层楼。

最低一层的 Agent，能做什么？

• 推理：能理解你的问题，做多步骤的思考
• 调工具：能调用搜索、计算器、数据库、API 等外部工具

打个比方，一楼的 Agent 就像一个聪明的实习生：你给他一个问题，他会想办法，需要查资料就去查，需要算数就算，最后给你一个答案。

对应的设计模式有三个：

• Tool Use（工具使用）——从「只会说话」变成「能动手干活」
• Reasoning（推理）——真正做逻辑思考，不是鹦鹉学舌
• Reflection（反思）——做完之后自己检查，发现问题自己改

一楼的 Agent 虽然能干活，但它有个致命问题：它只有「此刻」的记忆。

你聊了 100 轮对话，它的「工作记忆」有限，早期的信息会被挤出去。它也不知道去哪里找公司内部的文档、历史项目记录。

二楼解决的问题是：学会管理信息。

• Memory（记忆管理）：知道什么该记住、什么可以忘
• RAG（检索增强生成）：需要的时候去知识库里翻资料
• Planning（规划）：把大目标拆成小步骤
• Goal Setting（目标设定）：自己定里程碑，自己追踪进度

打个比方：一楼的 Agent 是个聪明但健忘的实习生；二楼的 Agent 是一个有笔记本、有档案管理习惯的靠谱员工。

这一层，是绝大多数企业 AI 项目真正卡住的地方。

不是模型不够强（一楼的问题），是信息管理和上下文设计没做好（二楼的问题）。

我见过太多企业花大价钱买最贵的模型，结果发现项目推进不动——问题不在模型，在于他们的知识库没接入、上下文窗口被垃圾信息挤爆、没有合理的记忆策略。

一楼的钱最好赚，但利润最薄；二楼的钱最难赚，但最值钱。

三楼的思路是：不再追求一个无所不能的超级 Agent，而是组建一个专家团队。

一个 Agent 擅长写代码，一个擅长做测试，一个擅长做项目管理——它们组成团队，各司其职，通过通信协议协调工作。

打个比方：你不需要找一个既会写代码、又懂设计、还会做财务的全才（这种人不存在或者贵得要死），你需要的是一个高效的项目组。

这对应行业最新的趋势——不再赌「一个超级大模型解决所有问题」，而是赌「一组专精小模型组成的乐高式团队」。

为什么？因为一个小模型专注做一件事，又便宜又快又准，组合起来比一个「什么都干」的大模型性价比高得多。

金句：复杂挑战，往往不是被一个全能选手解决，而是被一支专家团队解决。

到这里，你可能会问：市面上 AI 教程那么多，为什么偏偏要讲「设计模式」？

这里有个历史类比。

1994 年，四个人（GoF，Gang of Four）写了一本书叫《Design Patterns》（设计模式）。这本书没有教你写任何一行代码，但它给了全世界软件工程师一套共同语言。

在这之前，每个程序员面对「对象创建」「行为委托」这些问题，都有自己的野路子。在这之后，你说「工厂模式」「观察者模式」，全世界程序员秒懂你在说什么。

一套共同语言，让一个行业从「手工作坊」变成了「工业化生产」。

Agentic 设计模式要做一模一样的事。

目前 Agent 开发领域是什么状态？每个人都在摸索，每个团队都有自己的「最佳实践」，但这些实践没法沟通、没法复用、没法教学。

设计模式的价值在于四件事：

一个领域开始有「设计模式」，意味着它从「艺术」变成了「工程」。

从「个人英雄主义」变成「组织能力」。

翻译成商业语言：这是企业可以批量交付 AI 项目的临界点。

以前做 AI 项目，得像养艺术家一样——找几个顶尖人才，给他们时间和预算，祈祷他们灵光一现。

有了设计模式之后，你可以像建工厂一样——定流程、定标准、定质量关卡，让普通水平的工程师也能交付及格线以上的 Agent 系统。

这是 AI 从「实验室项目」走向「企业级规模化」的分水岭。

每次我讲到这儿，总有人问：

「这不就是 RPA（机器人流程自动化）吗？」

「这不就是低代码平台吗？」

「这不就是 ChatGPT 加了几个插件吗？」

必须说清楚。

RPA 和低代码自动化的对象是流程。你必须把每一步想清楚——「打开这个页面，点击这个按钮，把 A 列数据复制到 B 列」。

Agent 自动化的对象是判断。你只需要把目标讲清楚——「把这个季度的销售数据和去年同期对比，找出异常波动并给出原因分析」。

一句话：RPA 给了数字员工手和脚，Agent 第一次给了数字员工脑子。

ChatGPT 是「你问一句，它答一句」。Agent 是「你给一个目标，它自己规划、执行、调整、交付」。

ChatGPT 像一个百科全书——你问什么它都知道，但它不会主动帮你做任何事。

Agent 像一个项目经理——你说目标，他去协调资源、安排进度、遇到问题自己解决、最终给你交差。

讲完三层楼模型，回到现实。

根据我观察到的大量企业案例，九成 AI 项目卡在二楼（上下文工程），而不是大家以为的一楼（模型不够强）。

企业 AI 项目推不动，老板们最常见的判断是：

「模型不够聪明，换个更贵的。」

这是误诊。

真正的问题通常是：

• 上下文设计稀烂——该给 Agent 的信息没给，不该给的塞了一堆
• RAG 没接上——Agent 想查公司内部知识，查不到
• 窗口被挤爆——对话历史太长，重要信息被挤出了记忆范围
• 没有记忆策略——每次对话都是「失忆」状态

给企业管理者的建议：下次你的 AI 项目卡住了，先别急着换模型。花一个小时看看，是不是二楼的事没做好。

这一个小时可能帮你省下几百万。

回顾本篇，提炼五个核心要点：

1. AI 正在经历从「说得像」到「想得通」的代际跃迁。 推理模型的出现让我们第一次看到机器在做真正的计划和思考，而不是模拟思考。

2. 从「怎么做」到「为什么做」，是商业模式的代际差。 以前卖流程自动化，现在卖目标外包。前者是手脚，后者是脑子。

3. Agent 能力分三层楼：会动手、会策展、会组队。 绝大多数企业卡在二楼（上下文工程），而不是一楼（模型能力）。

4. 设计模式 = 一个行业从「艺术」变成「工程」的标志。 这是 AI 从实验室走向企业规模化的分水岭。

5. Agent 不是 RPA 的升级版，也不是 ChatGPT 加了插件。 它是一个全新品类——第一次给数字系统装上了「判断力」。

*参考 Antonio Gulli《Agentic Design Patterns》*