很多人第一次听到 Agent，会以为它是「更聪明的聊天机器人」。其实不是那么回事。Agent 是一套能自己定计划、调工具、看结果、再调整，直到把事干完的系统——它有关键的「行动」和「循环」，而不只是动嘴。

先说清楚它到底是什么

IBM、DeepMind、OpenAI 给 Agent 的共识定义是：一个能持续感知环境、自主推理、调用工具做事，并根据反馈不断调整，直到目标达成的系统。

光背定义没用，看它跟普通聊天机器人差在哪：

• 你跟普通聊天机器人说「帮我订明天去北京的高铁」，它要么跟你聊两句，要么直接编一段列车时刻表——因为它没有手。
• 你跟 Agent 说同样的话，它会真的去查 12306、比价、挑座位、下单（或者把订单交给你确认）。差别就在：它有「手」（工具）和「脑子里的循环」（想—做—看—再想）。

这里有个绕不开的词：ReAct，就是 Reason（想）+ Act（做）。现在主流 Agent 基本都按这个圈转：

想 → 做 → 看结果 → 再想，没干完就回到「想」，一直转到目标达成，或者踩到停止条件（任务完成 / 步数到上限 / 遇到解决不了的错误）。

把它当成一个自动驾驶系统

写前端这么多年，我觉得 Agent 最像的是自动驾驶，而不是某个具体的人。

你调一个普通 LLM，就像调用一个纯函数：传进去 prompt，返回一段 text，调用结束，状态清空。Agent 更像一套自动驾驶：你只设终点（目标），它自己感知路况（环境信息）、决策（下一步往哪走）、执行（打方向盘 / 调接口）、再根据导航反馈修正路线。你不用每一步都喊「现在左转」，你只管说去哪，剩下的它自己跑完。

还是拿那个高铁的例子：普通模型给你一段文字就结束了；Agent 会自己拆出「查车次 → 比价 → 选座 → 下单 / 让你确认」这一串动作，中间某个车次没票了，它自己换方案继续，而不是卡住问你。

它到底帮我解决了哪些麻烦

Agent 适合「步骤多、要临场判断、还得拉外部数据」的活。说几个我实际用上的，都是以前得人肉盯的事：

1. 自动盯线上，省掉人工巡检

以前线上报错靠人刷监控面板，漏了就背锅。现在 Agent 定时拉报错日志、做归类、做限频，严重的直接建 Jira 单并 @ 对应人。人不用来回切好几个系统当传声筒。

2. 让模型知道「今天」发生了什么

大模型有知识截止日期，不懂今天股价、今天天气、今天你们仓库的最新提交。Agent 通过工具实时去拉，把这块短板补上。比如问「我们这个接口今天超时了多少次」，它能真去查监控再答。

3. 把一串互不相通的工具串成一条流水线

像「抓某个领域的最新文章 → 过滤 → 生成摘要 → 发邮件」，每一步都是不同系统。Agent 自己把它们连起来，中间不用人把 A 的输出复制粘贴进 B。

4. 接得住模糊需求

你不用把每一步写死。「帮我把这个落地页转化率低的问题查一下」，Agent 会先抓数据、再看热力图、再判断是文案问题还是加载问题，而不是等你给标准答案才动。

顺手厘清几个绕口的词

Agent 相关文章里老冒出来几个词，先认个脸，免得后面看懵：

• Function Calling：模型把「要调哪个工具、参数是啥」以 JSON 形式吐出来，执行器去真调。它是 Agent 的工具接口，但不是 Agent 的全部。
• ReAct：上面讲过了，就是想—做—看的循环框架。
• RAG（检索增强生成）：Agent 先从知识库 / 向量库检索相关文档，再让模型作答。企业私有问答常用。
• MCP：上一篇讲 Skill 时提过，是 Agent 连外部工具的通用协议，相当于 USB-C。
• 向量数据库：把文档、代码转成向量，方便做语义检索。常见的如 Pinecone、Milvus、Qdrant。
• HITL（Human-in-the-loop）：关键动作让人拍板。生产环境里尤其重要，比如你肯定不想让 Agent 自己转账或删库。

动手写一个能跑的 Agent

落到代码上。一个最小可用 Agent，抽象出来就是下面这个循环：

import openai

def run_agent(user_goal, tools, max_steps=10):
    messages = [{"role": "user", "content": user_goal}]
    for step in range(max_steps):
        # 1. 大模型决定：直接回答，还是调用工具
        response = openai.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            tools=tools,
        )
        msg = response.choices[0].message

        # 2. 如果直接回答，任务结束
        if not msg.tool_calls:
            return msg.content

        # 3. 执行工具，并把结果送回上下文
        for call in msg.tool_calls:
            result = execute_tool(call.function.name,
                                  json.loads(call.function.arguments))
            messages.append({
                "role": "tool",
                "tool_call_id": call.id,
                "content": json.dumps(result),
            })

        # 4. 继续下一轮思考

这个循环就是 Agent 的骨架。工程里真要用起来，还得补几块：

先把目标钉死

别给「把代码变好」这种虚词。改成「检查这个 React 组件有没有多余的 re-render，并给出修改方案」。目标越具体，Agent 越不容易跑偏。

挑个会思考的大脑

负责规划和推理的模型（GPT-4o、Claude Sonnet、DeepSeek-V3 这类）更适合当 Agent 的脑子。便宜的小模型适合做后面那些确定性处理，比如格式化、校验。

给它一点记忆

• 短期记忆：当前这轮对话的上下文；
• 长期记忆：用户偏好、项目结构、历史决策，丢进向量库或文件里；
• 任务记忆：当前执行到哪一步了，防止走着走着迷路。

把工具说明书写清楚

工具描述要写得像给同事看的 API 文档：名字、干啥的、参数、返回值、会怎么报错。Agent 全靠这些描述决定要不要调、怎么调。

让它先列个计划再干

简单任务可以「一步一想一调」。复杂任务建议先让模型输出一份计划清单，再按计划执行，中途失败了再重排，比走到哪算哪稳得多。

最后套上安全带

• 敏感操作必须走 HITL 确认；
• 单步和总步数都设上限，防死循环；
• 工具调用失败要有重试和兜底；
• 全程留日志，方便查问题。

动手案例：搭一个「每日热点日报」Agent

前面讲的都是原理，这里我拿一件自己真的会想偷懒的事，把它完整跑一遍：每天帮我从各大平台抓热点，挑出真正值得看的，再用人话解读一遍，最后打包成一份日报发到我邮箱。

这活纯靠人，每天手动刷微博、知乎、新闻 App 再整理，半小时打底，还容易漏。但它又不是「一次性任务」——有明确目标、要调好几个外部源、中间还得判断「这条值不值得收」，正好是 Agent 的菜。

它到底怎么转起来

![每日热点日报 Agent 的工作流]](https://blogimg.lieme.cn/2026/08/2026081515470799.png)
拆开看是这么一条流程：

• ① 抓取：定时去拉多个源——微博热搜、知乎热榜、几个新闻站点的 RSS、GitHub Trending。每个源一个工具函数，统一返回「标题 / 链接 / 热度 / 来源」。
• ② 聚合去重：不同平台经常撞同一条新闻。按标题相似度加语义向量聚类，把重复的并成一条，顺手标个「3 个平台都在聊」。
• ③ AI 解读：对留下来的每条热点，调模型产出三样东西——一句话说清发生了什么、为什么重要、跟咱们行业有啥关系。这一步，就是 Agent 比「纯爬虫脚本」多出来的那点脑子。
• ④ 生成日报：把解读按板块（科技 / 财经 / 社会 / 开发圈）排好，拼成一份 Markdown，带上原文链接。
• ⑤ 推送：发邮件、推飞书、或者存成公众号草稿，看你喜欢。

整个流程每天定时跑一轮，所以流程图右边画了个回头箭头——它不是跑一次就完，而是「日更」的循环。

工具清单（给 Agent 的「手」）

tools = [
    fetch_weibo_hot(),    # 拉微博热搜
    fetch_zhihu_hot(),    # 拉知乎热榜
    fetch_news_rss(),     # 拉新闻 RSS
    dedup_and_cluster(),  # 去重 + 语义聚类
    llm_summarize(),      # AI 解读单条热点
    render_digest(),      # 拼成 Markdown 日报
    send_email(),         # 发到邮箱
]

每个工具都要写清「干啥、入参、返回啥、失败了咋办」——前面说的「把工具说明书写清楚」就是在这儿用的。模型看不到你的代码，它只靠这些描述决定先调哪个。

核心循环：跟前面那套骨架一模一样

def run_daily_digest(tools, max_steps=20):
    goal = "产出今日热点日报并发送到邮箱"
    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user",   "content": goal},
    ]
    for step in range(max_steps):
        resp = llm(messages, tools=tools)   # 思考
        if not resp.tool_calls:             # 没工具要调 = 干完了
            return resp.content
        for call in resp.tool_calls:        # 行动
            result = execute(call)          # 调工具
            messages.append(tool_result(call, result))  # 观察 → 再思考

你会发现，这就是前面那个最小骨架，只是 tools 换成了日报专用的几个函数。Agent 抽象出来就这么点东西，难的从来不在循环，在「工具写得稳不稳、护栏全不全」。

对照前面那几条「安全准则」

• 目标钉死：不是「看看今天有啥新闻」，而是「抓 4 个源、去重后挑前 15 条、每条配一句话解读、发邮件」。越具体，越不容易跑偏。
• 给它记忆：昨天发过的热点今天不重复推（短期去重）；你常瞄「开发圈」板块就多留几条（长期偏好）。
• 套安全带：抓取失败有重试，单个源挂了不影响其它源；日报生成后先存草稿人工过目再群发，别让 Agent 直接对全员推送（HITL）。

跑通这一版，你基本就把「Agent = 会自己定计划 + 调工具 + 看结果再调整」这句话，从概念变成了每天真给你发邮件的东西。

最后说点实在的

Agent 没那么玄。它就是把「模型会想」+「工程上管状态」+「能调外部工具」这三件事拧成一圈循环。

站在前端角度，你可以把它当成一套更猛的异步工作流：以前我们用 Promise 和状态机管用户操作，现在用 Agent 管 AI 的自主执行。

别一上来就想着造个全能管家。先用 LangGraph、CrewAI、Anthropic Agent SDK 或 OpenAI Assistants 跑通一个具体例子——比如「追踪你关注领域的最新动态，每周自动出一份汇总」。跑通了，再慢慢加记忆、加工具、加护栏。

下一篇聊聊一个和 Agent 强相关的新岗位：FDE。