第14章 · Agent 是怎么工作的

Agent（可以理解为”能自己干活的 AI”）和普通 AI 最大的区别：普通 AI 你问一句它答一句，Agent 你给一个任务，它自己规划步骤、调用工具、检查结果、调整再来。这篇讲它怎么做到的。

跟你有什么关系

你现在用的很多产品，底层已经是 Agent 了：

• Perplexity（AI 搜索工具）：搜一个问题，Agent 自己判断搜几次、怎么搜、结果够不够、要不要换关键词再搜。
• Claude Code（AI 编程工具）：修一个程序错误，Agent 自己读代码、定位问题、修改、运行测试、检查结果。
• 审查 Agent：你在这个笔记库里写笔记，审查 Agent 自动读你的笔记、打分、提修改建议。

Agent 不是一个新技术——它是一堆已有技术（工具调用、分步推理、自我检查）组合起来，让 AI 从”听话回答”变成”自主干活”。理解 Agent 的工作原理，你就能理解未来几年 AI 产品的发展方向。

生活比喻：Agent 像自动驾驶汽车——普通 AI 是副驾导航，你问”前面左转对吗”它说”对”；Agent 是自动驾驶，你设好目的地，它自己规划路线、看红绿灯、遇到堵车绕行、到了告诉你。你只需要定目标，过程它自己搞定。

本章目录

1. 14.1 普通 AI：一问一答
2. 14.2 Agent：多步自主执行
3. 14.3 举个例子
4. 14.4 Agent 的三种工具使用模式
5. 14.5 Agent 的记忆系统
6. 14.6 Agent 的规划能力
7. 14.7 Agent 的工具设计
8. 14.8 2026 年 Agent 的新变化
9. 14.9 Agent 评估
10. 14.10 Agent 的局限性
11. 14.11 2026 年主流 Agent 框架对比

graph TD
    A[Agent 工作原理] --> B[核心循环]
    A --> C[关键能力]
    A --> D[工程实践]
    B --> B1[普通 AI 一问一答]
    B --> B2[Agent 多步自主执行]
    B --> B3[ReAct 循环]
    C --> C1[工具使用模式]
    C --> C2[记忆系统]
    C --> C3[规划能力]
    D --> D1[工具设计]
    D --> D2[Agent 评估]
    D --> D3[框架对比]
    D --> D4[局限性]

相关笔记

• Loop 工程：让 AI 自己转起来 — Agent 的底层循环机制
• 第13章 · RAG 进化树 — Agentic RAG 就是让检索本身也由 Agent 来智能决策：搜不搜、搜几次、换什么关键词、结果不够要不要再搜——这些不再是人写死的流程，而是 Agent 循环里的自主判断
• AI 对话的三年演变 — 从对话到 Agent 的产品演变

跨章节关联

• 第13章 · RAG 进化树 — Agentic RAG：RAG 的最终形态是 Agent
• 第16章 · 多个 AI 怎么配合工作 — 单 Agent 的下一步：多 Agent 协作
• 第12章 · 提示词工程 — Prompt 正在被 Agent 取代：从”怎么问”到”怎么做”
• 第15章 · Agent 之间的通信协议 — Agent 之间怎么通信：MCP 和 A2A

来源

• Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models”, 2022, https://arxiv.org/abs/2210.03629
• Anthropic, “Building Effective Agents”, 2024, https://www.anthropic.com/engineering/building-effective-agents