第 11 章 · AI 智能体 Agent
第 10 章我们学会了怎么把话说清楚，让模型给出更好的回答。但无论提示词写得多漂亮，它交给你的始终只是一段文字。它不会替你去查今天的航班，不会真的把文件改掉，不会在发现查错了之后自己换个关键词重来一遍。这一章讲的就是那道分水岭：怎么让一个只会输出文字的模型，变成一个能自己决定下一步做什么、能真的动手、能发现错了再改的「干活的东西」。这个东西业界叫 Agent（读作「诶真特」，中文常译「智能体」或「代理」）。这一章分六节，我们会把它的每个零件拆开来看，也会诚实地告诉你它现在到底有多不靠谱——用真实的基准分数，而不是宣传口号。
你想吃一顿红烧肉，有两种请人帮忙的方式。
方式一：让人给你写菜谱。对方文笔极好，写出来的菜谱条理清楚、火候讲得明明白白，甚至还贴心提醒你「五花肉要选三层分明的」。但菜谱写完，事情就结束了。肉还是得你自己去买，锅还是得你自己烧，糖色炒糊了他也不知道。
方式二：请一位厨师上门。你只说一句「今晚想吃红烧肉」。他自己拉开冰箱看看有什么、发现没有八角就下楼去菜市场买、尝一口觉得咸了就加半碗水、发现今天的肉太瘦就临时改成小炒肉并且回头跟你说一声。整个过程你没有下过第二道指令。
前面十章讲的所有东西——分词、注意力、采样、提示词——造出来的是那位会写菜谱的人。这一章要做的，是给他配上眼睛（能查）、手（能动）、记性（记得刚才尝过咸了）和一套「没做好就再来一遍」的做事习惯，让他变成那位上门的厨师。
本章要回答什么
「Agent」这个词在 2024 到 2026 年被用得极滥，几乎每个产品都自称是 Agent。所以本章的第一件事不是吹它有多强，而是先把定义收紧：一个东西凭什么才配叫 Agent，一个套了几层提示词的聊天机器人为什么不算。收紧定义之后，才好谈它由哪些零件组成。
六节各回答一个具体问题：
- 凭什么叫 Agent，它现在到底行不行？——不看宣传视频，看四个权威基准的真实分数。有一个数字你要先有心理准备：在一份专门测「客服式多轮任务」的基准里，论文发表时最好的模型连续八次都做对的概率不到四分之一。
- 模型怎么才能真的「动手」？——它其实一根手指也没有。它能做的只是写一张纸条说「请帮我调用这个函数、参数是这些」，真正动手的是你的程序。这套纸条的格式，就是工具调用。
- 它怎么才能记住事？——模型天生没有记忆，每次都是失忆重来。要让它记住，只能在外面另建一套账本，而这套账本怎么建、什么时候取，直接决定了 Agent 能不能干长活。
- 知识不在模型脑子里怎么办？——先查资料再回答，这条路叫 RAG。它是目前企业里落地最多的一种 Agent 形态。
- 「自己决定下一步」这件事在代码里长什么样？——答案朴素得让人意外：一个 while 循环。ReAct 就是给这个循环里的每一轮加上「先想一句、再做一步、看看结果」的固定节奏。
- 每接一个新工具都要重写一遍适配代码，有没有统一插头？——MCP 想做的就是工具界的 USB-C。
把 Agent 想成办公室里刚入职第一天的实习生，你会立刻明白它的全部本事和全部毛病。
这位实习生脑子很好——学历漂亮，什么领域的名词都听得懂，写文档一流。但他有四个特点：第一，他没有权限，不能直接改数据库、不能刷公司的卡，凡是要动真东西都得写一张申请单交给你，你批了他才能办——这就是工具调用；第二，他记性极差，昨天交代的事今天全忘，你必须让他随手记在本子上，第二天先翻本子——这就是记忆系统；第三，公司的内部规章他一条都不知道，问他也是瞎猜，得先带他去档案室查——这就是 RAG；第四，他做事容易一条道走到黑，第一步走偏了就一路偏下去，得手把手教他「每做一步停下来看一眼结果，不对就换个法子」——这就是 ReAct。
而本章最重要的那条现实提醒，也藏在这个类比里：实习生犯的错是会叠加的。他第一步把客户名字记错了，后面所有的邮件、报表、通知全都错，而且他自己一路上完全没有察觉。Anthropic 官方的工程博客把这件事写得很直白：Agents are stateful and errors compound（智能体是有状态的，错误会累积），对普通程序只是小毛病的失败，对 Agent 可能是灾难性的。所以给 Agent 派活的核心手艺，不是把提示词写得多华丽，而是设计好「哪一步必须让人过目」。
为什么这一章值得单独拆出来讲
前十章讲的都是模型本身：它内部怎么算、怎么训练、怎么被提示。这一章第一次跨出模型，讲模型之外的那套系统。这个跨越比它听起来要大得多——你面对的不再是「怎么让它答得更好」这种单点问题，而是「一个会犯错、还不告诉你它犯了错的部件，怎么被安全地放进一个真实系统里」这种工程问题。
这也是为什么本章会反复出现两类内容：一类是机制（工具调用的报文长什么样、记忆怎么存怎么取、循环怎么写），另一类是现实局限（基准分数有多低、错误怎么累积、调试为什么难、哪些坑是官方自己承认的）。只讲机制不讲局限的 Agent 教程，会让你造出一个演示时很惊艳、上线三天就出事的东西。
再补一句时间感：把语言模型接上工具这件事，工业界的起点相当明确——2023 年 6 月 13 日，OpenAI 发布 function calling（函数调用），第一次让模型能以稳定的结构化格式说出「我要调用哪个函数、参数是什么」。在那之前，人们只能靠正则表达式去猜模型输出里的意图，脆得一碰就碎。到本书写作的 2026 年，这套东西已经演进了三年多，中间换过参数名、换过接口、长出了统一协议——这些演进本身也在本章里讲，因为网上大量教程还停在旧写法上，照抄会直接报错。
这一章怎么读
六节的依赖关系比第 8 章更松，但仍建议按顺序：§11.1 是定义和期望管理，先把「它到底行不行」搞清楚，后面才不至于对着一堆技术细节盲目乐观；§11.2 和 §11.3 是两个基础零件（手和记性），是所有 Agent 的必需品；§11.4 的 RAG 是 §11.3 记忆系统的一个具体大规模应用，读完 §11.3 再读它会顺很多；§11.5 的 ReAct 把前面所有零件串成一个能跑的循环，是全章的收拢点；§11.6 的 MCP 是工程化的一步，解决「工具太多、接法太乱」的问题。
另外，§9.2 讲过的 Embedding（嵌入，把文字变成一串数字，意思近的数字也近）在 §11.3 和 §11.4 会被反复用到。如果你对「余弦相似度」和「向量检索」已经没什么印象了，建议先回头翻一眼 §9.2，那里有一个可以亲手拖动向量、看夹角变化的互动组件。
本章的六节
Agent 是什么
凭什么才配叫智能体？四个权威基准的真实分数，以及官方自己承认的那些坑。
工具调用
模型其实一根手指也没有。它只是写了张纸条——纸条的格式与两家的结构差异。
记忆系统
它每次都失忆重来。要它记住，只能在外面另建一套账本。
RAG 检索增强
先查资料再回答。企业里落地最多的一种 Agent 形态。
ReAct 循环
「自己决定下一步」在代码里其实就是一个 while 循环：想一句、做一步、看一眼。
MCP 协议
工具界的 USB-C：一次接好，处处能用——以及它带来的新安全风险。
学之前先记住这一点
- 模型自己什么都做不了它唯一的输出是文字。所谓「Agent 帮我订了机票」，真正订票的永远是你写的那段代码，模型只是说了一句「请调用订票函数、参数如下」。搞清这一点，你就不会被「AI 自动化」这个词唬住。
- 错误会累积，而且它不会告诉你Anthropic 官方原文：errors compound，而且 minor system failures can be catastrophic for agents。一步走偏，后面整条路径全歪。设计 Agent 的第一要务是划定「必须人工确认」的关卡。
- 同样的提示词，两次跑出来可能完全不同官方原文：Agent non-deterministic between runs, even with identical prompts（就算提示词一模一样，多次运行之间也不确定）。这让传统「输入固定、输出固定」的测试方法直接失效。
- 别用宣传视频估算它的能力，用基准四个权威基准：SWE-bench（改真实 GitHub issue）、WebArena（真的操作网页）、GAIA（通用助手任务）、τ-bench（多轮客服一致性）。论文发表时的数字普遍低得惊人——τ-bench 里最好的模型成功率不到 50%，连续八次都成功的概率在零售场景下不到 25%。
- 工具描述写得烂，比工具少更致命Anthropic 官方给过一个数字：让一个专门测工具的 Agent 去重写那些有缺陷的工具描述后，后续 Agent 的任务完成时间下降了 40%。同一批工具、同一个模型，只改了说明书。
- 工具越多不等于越强官方判据非常好记：如果一个人类工程师都无法明确说出这活儿该用哪个工具，就不能指望 AI 做得更好。职责重叠的臃肿工具集，是最常见的失败模式之一。