Day53——早课 AI Agent：自主执行任务

系列教程说明

这是「AI零基础学习者」系列教程的第53篇，共70篇。每天早课讲理论，晚课练实操，带你从零开始掌握AI。

上篇回顾

昨天我们学习了RAG（检索增强生成），让AI能够读取你的私有文档并基于这些内容回答问题。今天我们要进入一个更激动人心的领域——AI Agent。如果说RAG让AI”读了书”，那Agent就是让AI”动了手”。

什么是AI Agent？

想象你有一个助理，你不用告诉他每一步该怎么做，只需要告诉他”帮我订一张明天去上海的机票”，他就会自己查航班、比价格、选座位、付款，最后把确认信息发给你。

AI Agent就是这样一个能够自主规划和执行任务的AI系统。

普通的AI对话就像打乒乓球——你发一个球（提问），我回一个球（回答），一来一回。但Agent不同，它更像是一个真正的”员工”：

• 你说：”帮我分析一下上个月的销售数据，找出业绩最好的产品线，写一份报告。”
• Agent自己决定：先读取数据文件 → 用Python做数据分析 → 生成图表 → 撰写报告 → 发送邮件给你。

这中间的每一步，都不是你告诉它的，是它自己规划出来的。

Agent的三个核心能力

1. 规划能力（Planning）

Agent接到任务后，不会直接动手，而是先”想一想”：这个任务需要几步？每步做什么？有没有依赖关系？

比如你说”帮我准备明天的会议材料”，Agent会这样规划：

• 第一步：查看日历，了解明天有什么会议
• 第二步：搜索相关的文档和资料
• 第三步：整理要点，生成PPT大纲
• 第四步：制作幻灯片
• 第五步：发送给参会人员

这种”先想后做”的能力，是Agent区别于普通AI的关键。

2. 工具使用能力（Tool Use）

Agent的第二个超能力是使用工具。人类之所以强大，不是因为我们跑得比猎豹快，而是因为我们会造工具、用工具。Agent也是如此。

一个典型的Agent可以调用：

• 搜索引擎：查询最新信息
• 代码解释器：执行Python代码、处理数据
• 文件系统：读写文件、管理文档
• API接口：调用各种在线服务
• 浏览器：访问网页、填写表单

当Agent发现自己”知识不够”时，它会主动去搜索；发现自己”算不了”时，它会写代码去跑。它知道自己不知道什么，并且知道怎么获取。

3. 记忆能力（Memory）

没有记忆的Agent就像金鱼——每次对话都从头开始。好的Agent系统有三层记忆：

• 短期记忆：当前对话的上下文（就像你正在聊的内容）
• 长期记忆：保存在数据库中的历史信息（就像你的笔记本）
• 工作记忆：执行任务时的中间状态（就像你做数学题时的草稿纸）

有了记忆，Agent才能记住你的偏好、之前的决定、以及任务的进展。

Agent是怎么工作的？

让我们用一个具体例子来看看Agent的内部运作。

你的指令：”帮我找三家北京评分最高的日料店，比较价格和特色菜，推荐一家最适合请客的。”

Agent的执行过程：

第一步：理解任务

Agent解析你的需求——需要找北京日料店、比较维度是价格和特色菜、使用场景是请客。

第二步：制定计划

Agent列出行动计划：搜索 → 筛选评分高的 → 逐个查看价格和菜品 → 综合比较 → 给出推荐。

第三步：执行任务

Agent调用搜索引擎，搜索”北京 高分日料店”。找到结果后，逐个查看每家店的详细信息、人均价格、招牌菜。

第四步：反思与调整

Agent发现搜索结果中有广告，于是换了一个搜索词重新搜索，获取更客观的信息。

第五步：综合输出

Agent整理三家店的信息，以表格形式展示对比，最后根据”请客”这个场景，推荐环境最好、菜品有面子的那家。

整个过程中，你只说了一句话，Agent自己完成了所有的思考和执行。

主流Agent框架

目前有几种流行的Agent开发框架，各有特色：

AutoGPT

最早火起来的Agent项目。你给它一个目标，它会自己拆解任务、写代码、搜索信息、生成内容。曾经创下GitHub最快破10万星的纪录。

它的理念是”给AI一个目标，让它自己干”。但实际使用中发现，完全自主的Agent容易”跑偏”——它可能会在不重要的细节上花费太多时间。

LangChain Agent

LangChain是目前最流行的AI应用开发框架，它的Agent模块非常成熟。你可以用很少的代码就创建一个能使用多种工具的Agent。

它的优势是工具生态丰富——有上百个现成的工具可以接入，从搜索到数据库操作，几乎涵盖所有常见场景。

CrewAI

如果说AutoGPT是”一个超级员工”，CrewAI就是”一个团队”。它让你可以创建多个Agent，每个Agent有不同的角色和技能，它们互相协作完成任务。

比如一个”写作团队”可以有：调研员（负责搜集资料）、写手（负责撰写文章）、编辑（负责审校润色）。

OpenAI的GPTs和Assistants API

OpenAI官方提供的Agent方案。GPTs让你通过对话界面创建自定义Agent，Assistants API则让你在代码中构建Agent。它们内置了代码执行、文件检索、联网搜索等能力。

Agent的应用场景

个人助理

帮你管理日程、回复邮件、整理笔记。你说”帮我回复那封关于下周会议的邮件，说我会参加”，Agent就能自动找到邮件、撰写回复、发送。

数据分析师

给Agent一个Excel文件，说”帮我分析销售趋势，找出下滑的原因”，Agent会自动做数据清洗、统计分析、生成图表、撰写分析报告。

代码开发助手

Agent可以自动写代码、跑测试、修bug。你说”帮我写一个爬虫，抓取某网站的数据并保存到数据库”，Agent会自己完成从设计到实现的全过程。

研究助手

给Agent一个研究主题，它会自动搜索文献、阅读论文、整理观点、生成综述。整个过程可能需要几十分钟，但你只需要等待结果。

Agent的局限性

虽然Agent很强大，但目前还有明显的局限：

可靠性问题：Agent的每一步都有出错的可能，步骤越多，累计误差越大。一个需要10步的任务，即使每步正确率90%，整体正确率也只有35%。

效率问题：Agent需要反复调用大模型，每次调用都有延迟和成本。一个复杂任务可能需要几分钟甚至几十分钟才能完成。

控制问题：完全自主的Agent可能会做出你意想不到的事情。比如让它”优化网站性能”，它可能会直接修改生产环境的代码。

最佳实践：目前最有效的Agent模式是“人在回路”（Human in the Loop）——让Agent规划和执行，但在关键步骤暂停，等你确认后再继续。这样既享受了自动化的好处，又保持了人类的控制。

今日行动项

今天你可以尝试用ChatGPT或Claude体验Agent的感觉：

• 体验GPTs：在ChatGPT中找到GPTs应用商店，选择一个有联网搜索和代码执行能力的GPT，给它一个需要多步骤的任务，观察它如何自主规划和执行。
• 多步骤任务测试：给AI一个复杂任务，比如”搜索最近一周的AI新闻，总结5个最重要的趋势，每个趋势写200字分析”。观察AI是否会自主分步完成。

📖 地铁深读：Agent的”大脑”——ReAct框架

专为地铁通勤设计，5-10分钟深度阅读。不读不影响主线理解。

你有没有好奇过，Agent到底是怎么做到”先想后做”的？这背后有一个关键的技术框架——ReAct。

ReAct的全称是Reasoning + Acting（推理+行动）。它的核心思想非常简单：

`

循环执行：

1. Thought（思考）：我应该做什么？为什么？
2. Action（行动）：执行一个具体操作
3. Observation（观察）：看看行动的结果是什么
4. 回到第1步，直到任务完成

`

举个例子，你问Agent：”2026年诺贝尔物理学奖得主是谁？”

Agent的ReAct过程：

• Thought：我的训练数据可能没有2026年的信息，我需要搜索一下。
• Action：搜索”2026年诺贝尔物理学奖”
• Observation：搜索结果显示获奖者是XXX，研究领域是XXX。
• Thought：我已经找到了答案，可以直接回复用户了。
• Final Answer：2026年诺贝尔物理学奖得主是……

这个框架的精妙之处在于：每一步都有明确的”理由”。Agent不会盲目行动，而是在行动前先说明为什么要做这个操作。这让整个过程可解释、可调试。

ReAct论文发表于2022年，由普林斯顿大学和Google Brain的研究者提出。它证明了一个重要的观点：让AI”说出”自己的思考过程，不仅让人类能理解它，也能让AI自己做出更好的决策。

这就像人类的”自言自语”——当你在做一道难题时，嘴里念叨着”先算这个，再算那个”，其实是在帮自己理清思路。Agent的Thought起到的正是这个作用。

下篇预告

今晚5点：Day53——晚课 AI Agent实战体验

我们将动手搭建一个简单的AI Agent，让它能够使用搜索工具回答问题，真正体验”自主执行”的感觉。