智能体（Agent）

• 能说明智能体（Agent）解决什么问题，以及何时适用。
• 能解释为什么“把无限循环当成自主性”是误区。

一次性回答适合信息已经齐全的问题；如果完成任务还需要读取文件、查询新信息、执行计算并检查结果，系统就必须处理一个多步过程。每一步的结果都可能改变后面的选择。

例如“找出这份账单中支出最高的三类”需要先确认数据字段，再读取和汇总，最后核对结果是否覆盖所有记录。仅生成一句看起来合理的结论，并不能证明这些步骤真正发生过。

广义的智能体是根据对环境的观察选择行动、以实现目标的系统，并不必须使用大语言模型。规则控制器、搜索系统和强化学习智能体也可以放在这一视角下理解。

本课程后续主要讨论 LLM Agent：把模型、任务指令、状态、工具、控制循环与执行边界组织起来。模型可以提出下一步行动，应用程序负责真实执行、保留结果，并判断何时继续、完成或停止。

把 Agent 看成“有反馈的任务推进器”：它先根据已有信息决定下一步，再查看行动产生的结果，并据此修正后续步骤。关键是观察与行动形成闭环，不是回复里写出一份很长的计划。

可以区分三个对象：目标是要达成什么，状态是已经知道和完成了什么，行动是下一步允许做什么。把三者分开，才能知道任务到底卡在信息不足、工具失败，还是完成条件不清楚。

状态应记录可核对的信息，例如输入文件、筛选条件、已执行操作、结果位置和未解决的问题。模型上下文只是状态的一种载体，不能把“模型似乎记得”当成可靠的持久化机制。

工具调用要经历“选择能力—提供参数—执行—读取结果”的过程。模型提出调用并不表示工具已经成功，更不表示返回值一定支持最终结论。

完成条件应在执行前尽量明确。输出要求、验证条件、步数或时间预算、失败后的重试上限，都会影响系统是否能可靠停止。无限循环并不代表更强的自主性。

固定工作流与模型驱动选择可以组合。字段明确、步骤稳定的计算通常适合确定性代码；信息不完整时，模型可以辅助选择检查方向。是否增加 Agent 循环，要看任务是否真正需要根据观察改变行动。

1. 接收任务并提取目标与约束
2. 理解上下文，建立或更新状态
3. 制定可验证的短计划
4. 从允许集合选择工具或行动
5. 调用并记录参数、审批与结果
6. 验证观察是否可信且满足完成条件
7. 完成则输出；否则更新计划继续
8. 达到步数、时间或权限边界时安全停止

• 研究与资料整理
• 代码与文档工作流
• 客服分流与受控业务操作

• 把模型写出的计划、推测或工具调用文本当成真实执行记录。
• 工具失败后反复使用完全相同的输入，却没有重试预算或替代路径。
• 只检查回答格式，不检查计算结果、证据覆盖和任务完成条件。
• 把读取到的网页或文件内容提升为控制系统的指令，或者暴露与任务无关的写入能力。

输入

• 用户任务
• 系统与开发者指令
• 会话状态
• 工具描述及权限

输出

• 最终回答
• 结构化结果
• 工具调用记录
• 停止或升级人工的原因

能力

• 状态管理
• 工具调用
• 结果判断
• 委派与 Handoff

权限

• 仅暴露任务所需工具
• 写操作和敏感数据需审批