在 AI 里很多人其实并不清楚智能体到底是什么。要理解智能体可以先从大模型说起。大模型就像一个大脑它的输入是一段文本输出通常也是一段文本。也就是说大模型本身主要负责理解、推理和生成内容但并不具备直接执行现实动作的能力。你可以把它想象成一个没有手脚的大脑。它能接收外界信息也能给出思考结果但它自己不能真正完成操作。比如你问它怎么做一个账号它可以告诉你第一步、第二步、第三步分别要做什么。但这些步骤本身仍然需要其他系统去执行。智能体要解决的就是这个问题。简单说大模型负责思考智能体负责把思考连接到现实动作。最简单的智能体聊天智能体最简单的智能体可以理解为带搜索能力的聊天系统。当用户输入一段话后智能体会先处理用户输入。有的系统会提取关键词有的系统会直接把整段问题提交给搜索引擎。搜索引擎返回一批结果后智能体再把这些搜索结果和用户问题一起提交给大模型。大模型基于这些信息生成最终回复。这个过程解决的是信息时效性问题。大模型是基于训练数据得到的它并不天然拥有最新信息。因此聊天智能体通常会加入搜索能力让模型可以获取当前的公开信息。这样一个基础聊天智能体就建立起来了。它不仅能聊天还能借助外部搜索获得更新的信息。智能体需要上下文管理只有搜索还不够。聊天体验里还有一个非常重要的问题上下文。如果你和一个大模型聊天它不知道你之前说过什么体验一定很差。因为你不可能每次都把过去所有信息重新说一遍。但这不是大模型本身的错误。大模型没有天然的长期记忆能力。因此智能体通常需要一个关键模块上下文管理。当用户和智能体有历史聊天记录时智能体会把过去的对话、当前输入、搜索结果等信息整理好再一起提交给大模型。它还会通过提示词告诉大模型哪一部分是搜索结果哪一部分是历史记录哪一部分是当前问题以及应该如何组织这些信息。搜索解决信息时效性问题。上下文管理解决记忆连续性问题。从聊天到画图智能体开始调用工具聊天智能体的输出本身就是文字所以它和大模型的输出形式天然匹配。但如果用户输入一句话希望最后得到一张图流程就不同了。一个画图智能体会先接收用户输入再结合历史记录和上下文信息与大模型进行第一轮沟通。这一轮沟通的目标不是得到最终回答而是让大模型生成适合绘图模型使用的提示词。比如用户要调用豆包、阿里通义千问等绘图模型智能体需要根据不同模型的特点生成适合对应模型的提示词。因为普通用户往往不知道该怎么写提示词。提示词生成之后智能体再把它交给绘图模型最终得到图片。这里就涉及到了工具调用。大模型不直接画图但智能体可以让大模型生成绘图指令再调用绘图工具完成任务。写 Word 文档的智能体再举一个写 Word 文档的例子。大模型本身没有真正操作 Word 文档的能力。它可以生成文本但不能直接创建、修改或保存.docx文件。因此一个写 Word 的智能体需要调用插件或工具比如 Pandoc或者通过 Python 脚本生成文档。它的大致过程是首先接收用户输入。然后进行上下文管理把用户需求、历史记录、相关资料整理好。接着提交给大模型让大模型返回特定格式的指令。这些指令可以包括创建文档、插入文字、删除段落、修改内容等。具体指令集合由开发者定义并通过提示词告诉大模型只能返回这些可执行指令。文档智能体得到指令后再调用对应脚本执行。比如创建 Word 文档、插入内容、删除内容、修改文档结构。这个执行脚本本身也是智能体的一部分。Action、Tool、Skill本质上都是智能体的能力这里面的命名比较混乱。有的地方叫action有的地方叫tool也有的地方叫skill。但本质上它们都可以理解为智能体的动作或技能。比如一个智能体可以具备这些技能上网搜索。 查询数据库。 读取文件。 写入文件。 生成 PDF。 生成图片。 访问网站。 填写表单。 调用 Python 做数据分析。 调用统计库处理数据。当我们不断给智能体添加技能它能完成的任务范围就会扩大。但技能多了之后又会出现一个新问题编排。智能体的关键能力任务编排比如一个编程智能体如果接到一个开发任务它需要先查看当前项目文件再理解需求然后规划修改路径。它需要先读取文件再编辑已有文件再创建新文件最后做格式校验和结果检查。这里面不是单个动作而是一整套流程。所以智能体不只是调用工具还要决定先做什么。 后做什么。 什么时候读取信息。 什么时候执行修改。 什么时候检查结果。 如果执行失败下一步怎么办。这就是任务编排。不同大模型之间的能力差异很多时候就体现在这里。为什么有时候会说国外的大模型在某些智能体任务上更强很重要的一点就是它们在复杂任务编排上的表现更好。智能体可以循环执行任务智能体的执行过程不一定只跑一轮。它可以先根据用户输入、上下文、知识库和可用技能生成一轮执行计划。执行之后它会得到反馈。然后再把执行结果、反馈信息和过去的上下文重新交给大模型让大模型继续判断下一步怎么做。所以一个任务可以一轮完成也可以多轮完成。简单智能体只负责聊天。复杂智能体则需要动态任务编排并且能够根据反馈不断调整下一步动作。企业知识库与长期记忆前面提到的搜索主要是从互联网上获取公开知识。但对于企业来说很多知识并不在互联网上。比如企业内部文档、产品资料、项目资料、日常话术、流程规范这些都不是公开搜索可以得到的。所以企业通常会搭建自己的内部知识库。智能体可以从企业知识库中检索信息再把这些信息和用户问题、历史上下文一起提交给大模型。这样大模型就能理解这家企业的产品、业务和内部表达方式。对于个人来说也可以搭建自己的私有知识库。知识库在某种意义上也可以看成长期记忆系统。一个完整智能体的大致结构到这里一个智能体的框架就比较完整了。首先是知识库或者说长期记忆系统。其次是上下文管理。它决定在提交给大模型之前需要收集哪些信息比如聊天历史、上一轮任务执行结果、相关文档、图片上下文等。然后是核心大模型。它负责理解、推理、规划和生成下一步指令。再之后是执行组件。它根据大模型返回的结果调用对应工具或技能完成动作。对于简单任务一轮就可以结束。对于复杂任务还需要把执行反馈重新交给大模型继续下一轮编排。此外还会有技能管理系统。它负责管理智能体具备哪些技能以及在什么情况下应该调用哪些技能。不同智能体的差异在哪里不同智能体之间的差异主要体现在几个方面。第一是上下文管理能力。如果你和一个智能体聊了很久它会积累大量历史信息。但这些上下文不可能全部丢给大模型因为会消耗大量 token甚至超过模型的上下文限制。好的智能体可以对上下文进行压缩并尽量保留关键信息。差的智能体一压缩原来的重要信息就丢了。所以上下文压缩和上下文管理是智能体能力差异的重要来源。第二是知识命中能力。有些智能体只是基于关键词匹配知识有些会基于向量匹配还有一些会进一步结合关联、联想和背景信息把相关知识以及知识背后的上下文一起抽取出来。这会直接影响回答的准确性。第三是技能选择能力。当一个智能体拥有大量技能时如果一次性把所有技能都交给大模型也会形成巨大的上下文消耗。所以有些产品会先做前置筛选。比如根据任务内容先用一个小模型选出最相关的几个技能再把这些技能交给大模型去编排。这样既能节约算力和 token 成本也能提升速度。总结所以大模型和智能体的区别可以这样理解大模型是一个纯粹的大脑。它会思考但自己什么都做不了。智能体则是在大模型这个大脑之外加上知识库、长期记忆、上下文管理、工具调用、技能管理、任务编排和执行反馈。它利用大模型的能力去完成现实中的任务。不同智能体之间的差异就体现在它是否能更好地管理上下文是否能更准确地命中知识是否能更低成本地选择技能是否能更有效地完成任务编排。所以选择一个智能体不只是看它背后用了哪个大模型还要看它围绕大模型搭建了怎样的执行系统。
在 AI 里很多人其实并不清楚智能体到底是什么。要理解智能体可以先从大模型说起。大模型就像一个大脑它的输入是一段文本输出通常也是一段文本。也就是说大模型本身主要负责理解、推理和生成内容但并不具备直接执行现实动作的能力。你可以把它想象成一个没有手脚的大脑。它能接收外界信息也能给出思考结果但它自己不能真正完成操作。比如你问它怎么做一个账号它可以告诉你第一步、第二步、第三步分别要做什么。但这些步骤本身仍然需要其他系统去执行。智能体要解决的就是这个问题。简单说大模型负责思考智能体负责把思考连接到现实动作。最简单的智能体聊天智能体最简单的智能体可以理解为带搜索能力的聊天系统。当用户输入一段话后智能体会先处理用户输入。有的系统会提取关键词有的系统会直接把整段问题提交给搜索引擎。搜索引擎返回一批结果后智能体再把这些搜索结果和用户问题一起提交给大模型。大模型基于这些信息生成最终回复。这个过程解决的是信息时效性问题。大模型是基于训练数据得到的它并不天然拥有最新信息。因此聊天智能体通常会加入搜索能力让模型可以获取当前的公开信息。这样一个基础聊天智能体就建立起来了。它不仅能聊天还能借助外部搜索获得更新的信息。智能体需要上下文管理只有搜索还不够。聊天体验里还有一个非常重要的问题上下文。如果你和一个大模型聊天它不知道你之前说过什么体验一定很差。因为你不可能每次都把过去所有信息重新说一遍。但这不是大模型本身的错误。大模型没有天然的长期记忆能力。因此智能体通常需要一个关键模块上下文管理。当用户和智能体有历史聊天记录时智能体会把过去的对话、当前输入、搜索结果等信息整理好再一起提交给大模型。它还会通过提示词告诉大模型哪一部分是搜索结果哪一部分是历史记录哪一部分是当前问题以及应该如何组织这些信息。搜索解决信息时效性问题。上下文管理解决记忆连续性问题。从聊天到画图智能体开始调用工具聊天智能体的输出本身就是文字所以它和大模型的输出形式天然匹配。但如果用户输入一句话希望最后得到一张图流程就不同了。一个画图智能体会先接收用户输入再结合历史记录和上下文信息与大模型进行第一轮沟通。这一轮沟通的目标不是得到最终回答而是让大模型生成适合绘图模型使用的提示词。比如用户要调用豆包、阿里通义千问等绘图模型智能体需要根据不同模型的特点生成适合对应模型的提示词。因为普通用户往往不知道该怎么写提示词。提示词生成之后智能体再把它交给绘图模型最终得到图片。这里就涉及到了工具调用。大模型不直接画图但智能体可以让大模型生成绘图指令再调用绘图工具完成任务。写 Word 文档的智能体再举一个写 Word 文档的例子。大模型本身没有真正操作 Word 文档的能力。它可以生成文本但不能直接创建、修改或保存.docx文件。因此一个写 Word 的智能体需要调用插件或工具比如 Pandoc或者通过 Python 脚本生成文档。它的大致过程是首先接收用户输入。然后进行上下文管理把用户需求、历史记录、相关资料整理好。接着提交给大模型让大模型返回特定格式的指令。这些指令可以包括创建文档、插入文字、删除段落、修改内容等。具体指令集合由开发者定义并通过提示词告诉大模型只能返回这些可执行指令。文档智能体得到指令后再调用对应脚本执行。比如创建 Word 文档、插入内容、删除内容、修改文档结构。这个执行脚本本身也是智能体的一部分。Action、Tool、Skill本质上都是智能体的能力这里面的命名比较混乱。有的地方叫action有的地方叫tool也有的地方叫skill。但本质上它们都可以理解为智能体的动作或技能。比如一个智能体可以具备这些技能上网搜索。 查询数据库。 读取文件。 写入文件。 生成 PDF。 生成图片。 访问网站。 填写表单。 调用 Python 做数据分析。 调用统计库处理数据。当我们不断给智能体添加技能它能完成的任务范围就会扩大。但技能多了之后又会出现一个新问题编排。智能体的关键能力任务编排比如一个编程智能体如果接到一个开发任务它需要先查看当前项目文件再理解需求然后规划修改路径。它需要先读取文件再编辑已有文件再创建新文件最后做格式校验和结果检查。这里面不是单个动作而是一整套流程。所以智能体不只是调用工具还要决定先做什么。 后做什么。 什么时候读取信息。 什么时候执行修改。 什么时候检查结果。 如果执行失败下一步怎么办。这就是任务编排。不同大模型之间的能力差异很多时候就体现在这里。为什么有时候会说国外的大模型在某些智能体任务上更强很重要的一点就是它们在复杂任务编排上的表现更好。智能体可以循环执行任务智能体的执行过程不一定只跑一轮。它可以先根据用户输入、上下文、知识库和可用技能生成一轮执行计划。执行之后它会得到反馈。然后再把执行结果、反馈信息和过去的上下文重新交给大模型让大模型继续判断下一步怎么做。所以一个任务可以一轮完成也可以多轮完成。简单智能体只负责聊天。复杂智能体则需要动态任务编排并且能够根据反馈不断调整下一步动作。企业知识库与长期记忆前面提到的搜索主要是从互联网上获取公开知识。但对于企业来说很多知识并不在互联网上。比如企业内部文档、产品资料、项目资料、日常话术、流程规范这些都不是公开搜索可以得到的。所以企业通常会搭建自己的内部知识库。智能体可以从企业知识库中检索信息再把这些信息和用户问题、历史上下文一起提交给大模型。这样大模型就能理解这家企业的产品、业务和内部表达方式。对于个人来说也可以搭建自己的私有知识库。知识库在某种意义上也可以看成长期记忆系统。一个完整智能体的大致结构到这里一个智能体的框架就比较完整了。首先是知识库或者说长期记忆系统。其次是上下文管理。它决定在提交给大模型之前需要收集哪些信息比如聊天历史、上一轮任务执行结果、相关文档、图片上下文等。然后是核心大模型。它负责理解、推理、规划和生成下一步指令。再之后是执行组件。它根据大模型返回的结果调用对应工具或技能完成动作。对于简单任务一轮就可以结束。对于复杂任务还需要把执行反馈重新交给大模型继续下一轮编排。此外还会有技能管理系统。它负责管理智能体具备哪些技能以及在什么情况下应该调用哪些技能。不同智能体的差异在哪里不同智能体之间的差异主要体现在几个方面。第一是上下文管理能力。如果你和一个智能体聊了很久它会积累大量历史信息。但这些上下文不可能全部丢给大模型因为会消耗大量 token甚至超过模型的上下文限制。好的智能体可以对上下文进行压缩并尽量保留关键信息。差的智能体一压缩原来的重要信息就丢了。所以上下文压缩和上下文管理是智能体能力差异的重要来源。第二是知识命中能力。有些智能体只是基于关键词匹配知识有些会基于向量匹配还有一些会进一步结合关联、联想和背景信息把相关知识以及知识背后的上下文一起抽取出来。这会直接影响回答的准确性。第三是技能选择能力。当一个智能体拥有大量技能时如果一次性把所有技能都交给大模型也会形成巨大的上下文消耗。所以有些产品会先做前置筛选。比如根据任务内容先用一个小模型选出最相关的几个技能再把这些技能交给大模型去编排。这样既能节约算力和 token 成本也能提升速度。总结所以大模型和智能体的区别可以这样理解大模型是一个纯粹的大脑。它会思考但自己什么都做不了。智能体则是在大模型这个大脑之外加上知识库、长期记忆、上下文管理、工具调用、技能管理、任务编排和执行反馈。它利用大模型的能力去完成现实中的任务。不同智能体之间的差异就体现在它是否能更好地管理上下文是否能更准确地命中知识是否能更低成本地选择技能是否能更有效地完成任务编排。所以选择一个智能体不只是看它背后用了哪个大模型还要看它围绕大模型搭建了怎样的执行系统。
