图 1：本文封面，点明主题「AI Agent 到底是什么」与四大关键词。
先看两个日常场景。第一个：你让 AI 帮你润色一段文案，它输出一版结果，这轮交互就结束了。第二个：你只说「帮我盯着竞品这周的动态，整理成一份简报」，它自己去搜索、阅读、对比、成文，中间搜不到还知道换个关键词再来。
第一个是我们熟悉的聊天机器人，第二个就是这两年被频繁提起的 AI Agent。两者用的是同一类大模型，差别到底在哪？
核心结论一句话
一个被广泛引用的框架来自 Lilian Weng 2023 年 6 月发表在个人博客的综述《LLM Powered Autonomous Agents》：AI Agent 等于 LLM 这个「大脑」，加上三个关键组件——任务规划、记忆系统、工具使用。聊天机器人是「一问一答」，Agent 是「循环执行，直到目标完成」。
拆开四个部件看
LLM 是核心控制器，负责理解目标、推理和生成内容，但它自己不会「做事」，剩下三个组件让它动起来。
规划解决「大事怎么办」的问题。一是任务分解：思维链提示让模型一步步思考，把大任务拆成小步骤；思维树更进一步，每一步探索多种可能再选路；还有一种叫 LLM+P 的思路，干脆把规划外包给传统规划器，LLM 只负责把问题翻译成形式化描述再翻回来。二是自我反思：ReAct 方法把「思考—行动—观察」交织成一个循环，模型边做边想；Reflexion 则让模型把失败经历写成文字总结、存进工作记忆，下次据此改进，论文报告它在 HumanEval 编码基准上达到 91% 的 pass@1 准确率。
记忆分两层。短期记忆就是上下文窗口里的内容，窗口一满就忘；长期记忆靠外部向量存储加快速检索实现，需要时把相关资料找回来塞给模型，模型权重本身不用改。
工具使用让模型长出「手」。预训练之后模型权重很难更新，实时新闻、代码执行、公司内部数据它都不知道，调用外部 API 就是补上这些缺口的办法。
这四个部件不是一份拼装清单，而是一条链路：规划决定下一步做什么，工具负责真的去做，记忆保证做过的别忘掉，LLM 在每一环里做判断。任何一环掉链子，整个循环都会退化回一问一答。
用开头「整理竞品简报」的任务走一遍这个循环：规划组件先把任务拆成搜索、阅读、对比、成文四步；工具组件调用搜索接口拿回资料；记忆组件把读到的要点暂存起来，供后面成文时调用；每一步的结果再喂回 LLM 决定下一步动作。四轮之后目标完成，循环退出。一个聊天机器人加上这套外循环，就跨过了那道分水岭。
图 2：AI Agent 的四大核心组件与工作循环示意——聊天机器人一问一答，Agent 循环执行直到目标完成。
一个绕不开的例子
2023 年 3 月，开源项目 AutoGPT 发布，让用户给一个目标、它自己拆解执行，迅速走红，如今其 GitHub 仓库星标已超过 18.5 万。仓库首页至今保留着 Andrej Karpathy 的评价：「AutoGPT 是提示词工程的下一个前沿」。同期的 GPT-Engineer、BabyAGI 等项目，共同证明了一件事：LLM 完全可以充当一个自主系统的核心控制器。再往前追溯，Karpathy 2017 年提出的 Software 2.0 概念——用数据和目标而非手写逻辑来构建软件——可以看作理解 Agent 浪潮的一条暗线。
三个常见误区
误区一：Agent 就是更会聊天的模型。实际上模型可以原封不动，变化的是外围那套「规划—行动—观察」的循环。
误区二：Agent 已经万能。Weng 在综述里明确列出了局限：上下文长度有限、长期规划和任务分解仍然困难、LLM 输出的稳定性不足。这些限制到今天依然是工程上要正面处理的问题。
误区三：给 Agent 配记忆就是重新训练。长期记忆的主流做法是外部向量库检索，不动模型权重，成本完全不是一个量级。
给你的行动建议
如果只想做一件事：去读 Weng 那篇综述原文，它至今仍是 Agent 领域被引用最多的入门地图。如果想动手：自己写一个最小的 ReAct 循环，把每一轮的思考、行动、观察打印出来，你会立刻体会到「聊天」和「干活」之间那道真正的分水岭。
你用过最接近「自己干活」的 AI 工具是哪一个？它在哪一步卡住了——是规划、记忆还是工具调用？欢迎在评论区聊聊。
参考资料
- LLM Powered Autonomous Agents（Lilian Weng，Lil'Log，2023 年 6 月） — https://lilianweng.github.io/posts/2023-06-23-agent/
- ReAct: Synergizing Reasoning and Acting in Language Models（arXiv:2210.03629） — https://arxiv.org/abs/2210.03629
- Reflexion: Language Agents with Verbal Reinforcement Learning（arXiv:2303.11366） — https://arxiv.org/abs/2303.11366
- AutoGPT 官方 GitHub 仓库（星标数与 Karpathy 评价引自仓库 README） — https://github.com/Significant-Gravitas/AutoGPT
- Software 2.0（Andrej Karpathy，Medium，2017 年 11 月） — https://karpathy.medium.com/software-2-0-a64152b37c35