把 AI Agent 拆开看：大脑 + 眼睛 + 手脚

一直听人说 AI Agent，但「智能体」这三个字听完还是不知道它到底是什么。

最好用的理解方式：把它当成一个「数字员工」。

普通聊天机器人是「问答机器」——你问，它答，结束。Agent 是「员工」——你说目标，它自己拆步骤、调工具、检查结果、交付。一个「问答机器」变成一个「员工」。所以它的架构不是更大的模型，而是多了眼睛和手脚。

Agent = 大脑 + 眼睛 + 手脚

• LLM 大语言模型：决定「该怎么做」
• Context 上下文：决定「能看到什么」
• Tools 工具：决定「能做什么」

大脑 · LLM

就像员工的智力和经验。你交代一个目标，它负责想清楚这件事该分几步、先做哪个。

• 你说的和你想要的，往往不完全一样
• 把一个大目标拆成能执行的小动作
• 上一步结果出来了，下一步该往哪走

眼睛 · Context

Agent 当下能看到的。看不到的东西，它就当作不存在。

• 这次要它干什么
• 前面聊过什么
• 现在在哪个文件夹、有哪些文件
• 系统提示词：它的「规章制度」

「它怎么不知道我上次说的」——通常是上下文没给到，不是模型笨。

手脚 · Tools

有了工具，它就不只是「说」，而是能「做」。这是 Agent 和聊天机器人最实在的分界线。搜网页、读写文件、运行代码、调用其他软件。工具越多，能力边界越大——风险也越大。所以需要安全壳。

它不是一次答对，而是转圈逼近

ReAct 循环：想 → 做 → 看 → 再想

• 现在什么情况？下一步干什么
• 调一个工具，真的去执行
• 结果对不对？拿到什么新信息

所以它中途出错不奇怪——能自己发现并绕回来，才是关键。

一遍循环长什么样（卡片举例）：任务：把这个文件夹里的发票金额汇总成表格

• 得先看看文件夹里有什么
• 列出目录 → 发现 23 个 PDF
• 都是扫描件，读不出文字
• 那要先做 OCR
• 跑 OCR → 提取金额 → 写入表格
• 有 2 张识别失败，标出来问你

注意最后一步：不确定的地方交回给你，而不是硬猜。

会不会把我电脑搞乱？

没有安全壳的 AI，像一匹脱缰的野马：力气很大，但你不知道它会往哪跑。答案是要看它有没有 Harness（安全外壳）。

完整的架构必须包三层：

• 约束 —— 哪些文件夹不能碰、哪些操作必须先问你
• 验证 —— 做完自动检查，比如代码跑起来有没有报错
• 纠正 —— 发现错了会退回安全状态，不一路错下去

「约束」具体是什么：不是一句承诺，是能列出来的规则

• 读写 ~/Documents/发票/
• 运行只读的查询命令
• 范围之外一律不碰，必须先问你
• 删除任何文件：不可逆，永远由人点确认
• 发出任何消息或付款：不可逆，永远由人点确认

判断一个 Agent 靠不靠谱，先问它的约束能不能被明确写出来。说不清的就要小心。

怎么越用越顺手

让「员工」积累经验的三层设计：

• 长期记忆：记住你的偏好和过去的解法。「他知道我习惯用 Python」
• 知识库 RAG：随时查你提供的私有资料，像给员工配了一本备查手册
• 自我进化：把成功的操作存成可复用的工具。同一件事第二次做，快很多

一句话总结

Agent 是一个有「大脑」的决策核心，通过「眼睛」看你给的上下文，指挥「手脚」操作工具，整个东西被包在「安全外壳」里。

所以下次看一个 Agent 产品，别只问模型多强，问它的眼睛能看到什么、手脚能碰什么、以及那层壳有多严。

（整理自读者笔记，概念以原书为准）