《扣子开发 AI Agent 智能体应用》001-智能体概述

新闻

作者：微信文章


🚀前言

在大模型技术爆发之前，智能体(Agent)的功能与体验受限于人工智能(ArtificalIntelligence,AI)技术，简单地讲，就是受限于“大脑”不够聪明。而当前 AI 技术在大模型上的突破与爆发,使得 AI Agent技术也变得成熟并迅速火爆起来。大模型在生成、计算以及逻辑推理能力上都实现了质的飞跃,从而让 Agent能够为用户带来更多的功能和更好的体验。本章将介绍 Agent 的背景知识，帮助读者对智能体有个一般性的认识。
🚀一、智能体概述

🔎1.为什么需要一个智能体 (Agent)

为了体现当代 Agent 依赖于人工智能大模型的能力，我们将其称作 AI Agent、AI 智能体或者人工智能体，还有一些文章将其直译为“AI代理”。目前，在计算机、人工智能专业技术领域，一般将 Agent 或 AI Agent 统一翻译为“智能体”。在信息技术飞速发展的当下，人工智能领域持续推陈出新，智能体与 DeepSeek 大模型成为近期科技圈的焦点。在此时代背景下，“智能体+DeepSeek”正崭露头角，有望开启下一个重大的 IT 发展浪潮，引领未来变革，成为科技领域的下一个风口。
🦋1.1 AI的发展历程

要向读者讲清楚智能体的概念，我们首先需要了解人工智能（AI）的基本概念。AI 是指通过计算机程序模拟人类智能的技术。这些程序可以执行诸如学习、推理、规划、自然语言处理等任务。自 20 世纪 50 年代 AI 概念提出以来，AI 技术经历了多次重大的突破。AI 的发展历程可以分为以下几个重要阶段：

初期发展阶段（20世纪50年代—20世纪70年代）：这个阶段的 AI 研究主要集中在符号主义和逻辑推理上。艾伦·图灵提出了图灵测试，作为衡量机器是否具有智能的标准。1956年的达特茅斯会议确定了人工智能这个概念，被认为是 AI 研究的开端。因此，1956 年也被称为人工智能元年。早期发展阶段（20世纪80年代—20世纪90年代）：这一时期，专家系统成为 AI 研究的主要方向。专家系统通过编码专家知识来解决特定领域的问题，取得了显著的成果，但也暴露出知识获取难题和系统僵化等问题。现代发展阶段（21世纪—）：随着计算能力和数据量的爆炸式增长，机器学习特别是深度学习技术迅速发展。AI 系统从依赖预定义规则转向通过数据训练模型，实现了图像识别、自然语言处理、自动驾驶等多种复杂任务。

🦋1.2 Agent 能解决什么问题

大语言模型（Large Language Model, LLM，简称大模型）是近年来人工智能领域的重大突破之一。大模型旨在理解和生成人类语言，它们在大量的文本数据基础上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等。大模型的特点是基于神经网络、自然语言处理（Natural Language Processing，NLP）技术，多轮对话和写作生成能力非常优秀。尤其是像 GPT-4 这样的大语言模型，简直就是 AI 界的“超级明星”。这些模型通过海量的数据训练，具备强大的自然语言处理能力，可以生成高质量的文本，进行复杂的对话。例如，GPT-4 在文本生成和理解任务中就像是“语言魔法师”。大模型能适应不同的应用场景，从生成文本到处理对话，再到复杂的决策任务，样样在行。大模型能够生成高质量的自然语言文本，就像一个写作天才，永远不会有创意枯竭的时候。

现在已经有了 AI 大模型，例如 DeepSeek、OpenAI 的 GPT、字节的豆包等，为什么又出现了 Agent，这是刻意为了显得厉害搞出来的概念吗？

我们列举个例子，当你想要让大模型帮忙整理一篇文章，假设你这样问大模型：请你帮我生成一篇 100 万字的武侠小说。这个时候，AI 大模型给你什么答案？是不是写不出这么多字，也给不出你想要的答案？

为什么会出现这种问题？是不是 AI 大模型不够厉害？假设这件事让我们人类来做，我们一般会按照如下流程来完成这件事： 第一步：使用搜索引擎搜索一些相关书籍和信息进行阅读，为我们打开思路。 第二步：形成本书的大纲，并且考虑清楚每一个章节要编写的内容。 第三步：针对每一个章节进行内容的编写，在编写过程中可能会调整文章的大纲。 第四步：在编写后面章节的时候，可能会忘记前面写的内容，需要翻阅前面已经完成的内容。 第五步：文章初步完成之后，我们可能会找相关专业人士帮忙修改和审阅。 第六步：也是最后一步，经过几番调整之后，书稿最终成型。

大模型不能直接完成这件事，是大模型的能力不行吗？不是的，这是因为明显缺少了几个步骤：没有办法使用搜索引擎获取最新的外部信息（大模型的训练数据是以往数据，有日期限制的）；没有对整个事情进行规划（比如先写大纲，再编写每个章节，然后和别人讨论，最后成文）；大模型没有记忆的能力，由于上下文（脑容量）的限制，无法一次性完成 100 万字的文章，会造成前言不搭后语的现象。

而智能体 Agent 就是为了解决这个问题。思考一下，为了完成这个任务，我们用到了这些操作：上网查询、分解任务、逐步规划、审核修改。这里面涉及规划、思考、步骤等操作，还用到大脑、手、计算机或者助手等“工具”。大模型在这个过程中只充当了大脑思考的角色，它没有额外的工具、没有规划和额外步骤，因此这个任务交给它，它是无法单独完成的。为了让大模型能够真正满足我们的要求，我们需要给它配备上网查询的能力、使用工具的能力、分解任务的能力等。

这就是 Agent 的价值，它使得大模型不仅仅是一个大脑，而且还是一个能做规划、能使用工具的类人智能体。

再举几个例子：假设你让大模型帮你写工作日报，可以不可以？可以，但操作会很复杂。AI Agent 写工作日报就不同了，设定好格式、语气、任务等关键信息，你只需要口语化告诉它做了什么，剩下的事它会帮你自动完成。 假设你让大模型帮你写一篇软文，可以不可以？可以，但操作同样复杂，来来回回折腾几遍可能还不能让你满意。用 Agent 来写软文就不同了，提前设定好标题、开头、内容和语气等关键信息，告诉 Agent 你要写什么主题内容，它就能按照设定一步一步帮你完成。 假设你去旅游，让 AI 帮你介绍景点信息，可以不可以？可以，但是每次你都要主动发问，AI 还不一定回答正确。用 Agent 就不同了，按照景点情况设定好 Agent，你走到哪，它就会告诉你景点的相关信息；你问他洗手间在哪，它还可以根据你的位置给你指定最近的洗手间。

通过上面介绍的这些例子，我们理解了 Agent 和大模型使用起来到底有什么不同。简单来说：大模型相当于可以咨询的大脑，Agent 相当于有智慧又能干活的机器人。
🔎2.认识 Agent

大模型时代，Agent 将基于大模型构建，此时的 Agent 是一种能够感知环境、进行决策和执行动作的智能体。是否具备通过独立思考、调用工具逐步完成给定目标的能力，成为基于大模型的 Agent 与基于传统 AI 技术的 Agent 之间最大的不同。这个区别也是很多人在给当代 Agent 下定义时一直强调的要点。例如，告诉 Agent 帮忙下单一份外卖，它就可以直接调用 App 选择外卖，再调用支付程序下单支付，而无须人类指定每一步的操作。
🦋2.1 Agent 的组成

OpenAI 研发出 ChatGPT 并持续引领大模型发展，它定义 AI Agent 就是由大模型驱动，由规划决策（Planning）组件、记忆（Memory）组件、工具（Tools）组件、行动（Action）组件等组件组成的可以自主执行任务的程序，如图 1-1 所示，它就像一个代替人类完成工作的代理人。Agent 各个组件的作用概括如下：

规划决策组件：依赖于大模型自身的能力和提示词的指引，让模型反思和自我批评，并把任务分解成多个步骤，然后逐个完成。记忆组件：分为短期记忆和长期记忆两种类型，用于记住沟通上下文。工具组件：调用各种 API，包括日历、代码解释器、计算器、搜索 API 等。行动组件：说白了就是它动手干活的部分。它能根据任务选择不同的方法——要查资料就翻记忆库，要分析问题就分步推理，甚至还能自己写代码。

可以看到，Agent 类似人的大脑的思考能力和四肢的执行能力。有了这些能力，Agent 可以被认为是一种类人智能体。


可以用一个不太恰当的比喻来说明：大模型（LLM）就像是人的大脑，而 Agent 则是人本身。大模型只有输入输出功能，而 Agent 则包括大模型、规划、记忆和工具。以前，智能机器人无法“理解”人类语言，但随着 AI 大模型的发展，它们开始“理解”人类语言，这使得 Agent 的能力得到了显著提升。未来，Agent 将在各个领域发挥重要作用，日益改变我们的生活和工作。
🦋2.2 Agent 每个模块的作用

我们用一个管理花园的园丁的例子来说明组成 Agent 的每个模块的详细作用。

LLM（大模型）：就像园丁的智慧和知识库，他阅读了海量的园艺书籍和资料，不仅知道各种植物的名字，还懂得如何照顾它们。在 AI Agent 中，LLM 提供了庞大的信息存储和处理能力，以理解和响应我们提出的各种问题。以 GPT 为代表的大模型的出现，将 Agent 的理解处理能力提高到了前所未有的高度。Planning（规划决策）：Agent 将大型任务分解为更小、可管理的子目标，从而能够有效处理复杂的任务，正如园丁需要规划整个花园的布局。AI Agent 的规划功能就像园丁制定种植计划，决定先种哪些花草，后种哪些蔬菜，或者如何分步骤修剪树冠。Agent 可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。Agent 像人类一样一步一步思考，一步一步推理，以保证最后结果的正确性。Memory（记忆）：在与朋友沟通的过程中，我们需要记住沟通的上下文，但对于时间久远的对话，我们可能会记不住对话过程。短期记忆就类似于对话现场记下来的内容，而长期记忆则类似于把久远的聊天过程整理成一个记忆点，随时让大脑能够回忆当时说了什么重要的事。这类似于园丁的笔记本，记录了每个植物的种植时间、生长情况和前一次施肥的时间。记忆模块让 AI Agent 能记住以往的经验和已经完成的任务，确保不会重复错误。Tools（工具）：就像园丁的工具，比如铲子、水壶和剪刀。AI Agent 的工具模块，指的是它可以运用的各种软件和程序，帮助它执行复杂的任务。这些外部工具包括上网查询信息、代码执行、调用外部 App 等能力，就像园丁用工具进行园艺活动一样。Action（行动）：Agent 基于规划和记忆来执行具体的行动。这可能包括与外部世界互动，或者通过调用工具来完成一个动作（任务）。

🦋2.3 Copilot（智能助手）和 Agent（智能体）的区别

业界对 Copilot 和 Agent 是否存在区别有一定的争论。Copilot 这个术语源自飞行术语，意思是副驾驶员（Co-pilot）。在飞机上，副驾驶员是协助主驾驶员操作飞机的人。Copilot 在帮助用户解决问题时起辅助作用，例如 GitHub Copilot 是帮助程序员编程的助手，它更多地依赖于人类的指导和提示来完成任务。Copilot 在处理任务时，通常是在人为设定的范围内操作，比如基于特定的提示生成答案。它的功能很大程度上局限于在给定框架内工作。

Agent 更像一个主驾驶，可以根据任务目标进行自主思考和行动，具有更强的独立性和执行复杂任务的能力。Copilot 主要用于处理一些简单、特定的任务，更多是作为一个工具或助手存在，需要人类的引导和监督。Agent 能够处理复杂、大型的任务，并在 LLM 薄弱的阶段使用工具或 API 等进行增强。
🔎3.Agent 与大模型的关系及应用领域

众所周知，Agent 的大脑是大模型。大模型作为生成式人工智能的代表，其在推理分析、任务规划等方面显示出了一定价值，自然也为智能体的决策分析环节提供了新的动力。2024年5月15日，火山引擎正式发布了豆包大模型家族。凭借更强的模型能力、更低的应用成本和更易落地的解决方案，豆包大模型在各行各业都得到了广泛的应用，其日均调用量也在高速增长。2024年5月豆包大模型刚推出时，该模型的日均 Tokens 调用量为 1200 亿，到 7 月份时涨到 5000 亿，到 9 月份涨到 1.3 万亿，截至 2024 年 12 月 15 日，已突破 4 万亿。豆包大型调用量的高速增长，是大模型市场快速发展的一个缩影。

大模型为 Agent 的发展注入了强大动力，它使得 Agent 能够突破传统的性能瓶颈。从大模型到 Agent，是 AI 真正走向落地应用的关键一步。DeepSeek 的横空出世大大加速了 Agent 的落地速度，一场深刻的科技变革悄然展开。从智能体技术市场发展来看，Agent 吸引了海量资本涌入。各大科技巨头纷纷布局，初创企业也如雨后春笋般蓬勃生长，力求在这片新蓝海中抢占先机。市场咨询机构 Gartner 将 Agent 列为 2025 年十大战略技术趋势之首。业界认为，2025 年有望成为 Agent 的商业化应用元年。

随着“Agent+大模型”的潜力逐渐显现，国内外科技巨头纷纷敏锐地捕捉到这一机遇，开始悄然布局。在国内，字节、阿里、腾讯等科技巨头积极探索与大模型 DeepSeek 的合作，试图将其技术融入自身的业务体系中。例如，在电商领域，利用 Agent 和 DeepSeek 提升智能客服的服务质量；在云计算领域，借助 DeepSeek 的高效模型，为企业提供更强大的人工智能计算服务。当技术发展到某一阶段时，往往会展现出迅猛发展的势头。毋庸置疑，“Agent+大模型”已经展现出巨大的潜力。可以说，2023 年到 2024 年的主流趋势是训练强大的大模型，因为 AI 应用的前提是得有个靠谱的“大脑”；而 2025 年开始的风口就是关注 Agent 方向，因为我们有了靠谱的大脑，如 DeepSeek、豆包大模型等，现在要做的就是完善 AI 应用落地场景。市场上开始完善 Agent 开发平台，例如火山引擎的扣子 AI 应用开发平台等。开发平台的完善，加上基础 AI 能力的提升，才有可能实现 Agent 应用场景的落地。
🦋3.1 Agent 和大模型的关系

角色定位相互补充：大模型作为智能中枢，通过海量数据训练形成多模态处理能力，可解析文本、图像、语音等输入并生成上下文理解；Agent 则作为执行实体，基于大模型的输出进行决策和行动，两者形成“大脑”与“肢体”的协作体系——大模型提供认知能力，Agent 实现物理或数字世界的功能落地。在不同层次上相互协作：

感知与理解层：大模型处理原始输入（比如用户指令、环境数据），生成结构化任务目标及策略建议。决策与执行层：Agent 根据大模型输出的上下文提示，结合预设规则（比如行业标准、安全限制）、实时反馈动态调整行动路径，确保任务不偏离目标。动态优化层：Agent 在行动中积累的数据可反哺大模型，实现迭代升级（比如强化学习机制）。

在功能扩展上相互依存：

大模型需要 Agent 实现场景化应用：大模型的通用能力需要通过 Agent 对接具体业务场景（比如半导体制造流程优化、代码生成），才能转换为实际生产力。Agent 依赖大模型提升智能水平：Agent 的决策质量直接受大模型理解能力的制约，例如复杂任务拆解、跨领域知识调用等均需大模型支撑。

在技术实现的关键要素上相互配合：

规划：大模型提供任务拆解逻辑与优先级建议，Agent 结合资源约束生成可执行计划。记忆：大模型提供存储通用知识库，Agent 管理短期会话数据与长期业务特征。工具：大模型生成 API 调用代码或插件使用指令，Agent 调用外部接口/设备完成物理操作。交互：大模型生成自然语言反馈，Agent 实现多模态人机交互界面。

🦋3.2 Agent 的应用领域

Agent 技术未来将应用于多个领域，以下是一些典型的应用场景：

教育辅导：Agent 可以作为个性化学习助手，根据学生的学习进度和兴趣提供定制化的辅导。通过分析学生的学习数据，Agent 可以识别学生学习的薄弱环节，并推荐相应的学习资源和练习。日常办公：在日常办公环境中，Agent 能够处理日常文档、安排会议、管理日程等任务，大大提高了办公效率。例如，Agent 可以帮助你处理邮件、安排日程，并提醒你重要事项的截止日期。推荐领域：在电子商务和内容推荐领域，Agent 能够分析用户的行为和偏好，提供个性化的推荐。例如，在购物网站上，Agent 可以根据用户的浏览历史和购买记录，推荐相关产品，从而提高销售额。医疗诊断：在医疗领域，Agent 可以辅助医生进行疾病诊断和治疗方案推荐。通过分析大量的医疗数据，Agent 可以帮助医生更准确地诊断疾病，并给出个性化的治疗方案。此外，Agent 还可以用于患者资料的处理、疾病趋势的预测以及个性化医疗建议的提供。客户服务：在客户服务领域，Agent 通过自动化处理大量的客户咨询，显著提升了服务效率和顾客满意度。智能客服机器人能够 24 小时不间断提供服务，通过自然语言处理（NLP）技术理解用户需求并给出准确回答。此外，Agent 还能够基于用户历史数据提供个性化的服务推荐。股市交易：Agent 在股市交易领域也发挥着重要作用。它可以分析复杂的市场数据，为投资者提供基于数据的决策支持。通过学习大量的交易模式，Agent 能够识别出潜在的交易机会，并给出买卖建议。智能交通：在智能交通领域，Agent 被广泛应用于自动驾驶车辆和交通管理系统中。它能够实时感知道路情况并作出驾驶决策，包括车辆导航、避障、车道保持以及速度控制等功能。通过持续学习和优化，Agent 在提升驾驶安全性和舒适度方面展现出巨大的潜力。生产制造：Agent 可以自动化处理各种复杂的流程任务，如生产调度、库存管理和物流优化，从而提高整体效率和准确性。

在大模型时代，Agent 技术无疑是 AI 领域的一颗璀璨明珠。通过结合大模型技术，Agent 具备了更强大的语言理解与生成能力、决策能力和适应性，使其在各个领域中的应用更加广泛和深入。笔者相信，未来 Agent 会在各个方面影响我们的生活和工作。

另外，随着低代码、无代码开发理念的持续普及，低门槛易用 Agent 开发平台将吸引越来越多的非专业开发者和中小企业参与其中。更多的企业会利用其搭建适合自身业务的智能体工作流，降低开发成本和技术门槛，实现业务流程的智能化升级，从而推动整个智能体市场的进一步繁荣和发展。
🔎4.Agent 开发者如何入局

Agent 的爆火表明了 AI 在当前 IT 领域的热度和潜在价值，而且还预示着未来可能会有更多资源投入这一领域。Agent 的核心思想就是给 DeepSeek、GPT、豆包等大模型配备工具和规划等能力，使它更像人。Agent 的需求量非常大，但真正懂行的人却不多，这意味着如果你拥有开发 Agent 的能力，你将拥有大量的工作机会。对于想要提升自己职业竞争力的开发人员来说，Agent 开发可能是一个不错的选择。

对于个人开发者和小微企业来说，面临的是前所未有的机遇。个人开发者和小微企业能够以更低的成本、更便捷的方式参与到 Agent 的开发中。借助 Agent 开发平台无须复杂编程基础即可搭建工作流的特点，他们可以根据自身的创意和业务需求，快速打造出个性化的智能体应用，并应用到诸如内容创作等领域，实现业务流程自动化和智能化转型，从而提升自身的竞争力。例如，自媒体创作者可以利用扣子开发智能体，高效地生成高质量的文章、视频脚本等内容，吸引更多的粉丝和流量；店主可以利用扣子开发智能客服，及时准确地回复客户咨询，提高客户满意度，推动客户购买行为。

对于企业开发者来说，可以在智能体开发平台提供的丰富功能基础上，开发出更复杂、更具创新性的 AI 应用。例如，通过整合不同的插件、优化大模型与代码块的交互逻辑，打造出适用于特定行业的智能体解决方案，甚至可以参与到智能体工作流相关的插件开发、生态建设中，拓展自身的职业发展路径。