AI Agent
AI Agent（智能体）是以 LLM 为”大脑”、通过感知-规划-行动-反思循环自主完成多步任务的系统。与单轮问答不同，Agent 具备工具调用、环境交互、状态维护与错误恢复能力。本页综合本批次来源，梳理 Agent 的定义边界、设计模式与”何时该用 Agent”的工程判断。
定义与基础积木
增强型 LLM（Augmented LLM） 是所有 Agent 模式的基础积木（构建智能体实用指南）：
LLM + 检索（RAG） + 工具调用（Tool Use / MCP） + 记忆（短期/长期）
在此之上，按任务复杂度递进，可构建从确定性工作流到全自主 Agent 的谱系。
单智能体设计模式
来自 Agent 设计模式系统化分析：
| 模式 | 机制 | 适用 |
|---|---|---|
| ReAct | 推理-行动循环（Reason + Act） | 通用工具调用任务，默认起点 |
| CoT | 链式思维 | 多步推理 |
| Reflection / Self-Refine / Reflexion | 自我评估-修订 | 性价比最高的质量增强 |
| Plan-and-Solve | 先规划后执行 | 复杂多步任务 |
| ToT / GoT | 思维树/图搜索 | 需探索多路径的难题 |
| Tool Use | 函数调用 | 接入外部能力 |
| RAG 增强 | 检索注入 | 知识密集任务 |
| Evaluator-Optimizer | 评估-优化循环 | 需迭代精炼的产出 |
工作流 vs 自主 Agent 谱系
实用指南 给出从”确定性工作流”到”自主 Agent”的连续谱系，控制力递减、灵活性递增：
- Prompt Chaining（顺序串联）
- Routing（分流到专门处理器）
- Parallelization（并行 + 投票/聚合）
- Orchestrator-Workers（中心化分派）
- Evaluator-Optimizer（评估-修订循环）
- 全自主 Agent（开放循环）
核心工程原则：能用简单工作流解决就不要上自主 Agent。 Agent 的灵活性带来不可预测性与成本，应在简单与自主之间权衡，并始终配护栏（guardrails）。
何时该用 Agent
- 任务需要多步决策且步骤依赖前序结果；
- 需要动态选择工具而非固定流程；
- 环境反馈影响后续行动。
反之，固定流程用工作流（更可控、更便宜）；可清晰分解的独立子任务才考虑多智能体（见 Multi-Agent-Systems）。
跨框架映射
同一 Agent 模式在各框架是”换皮”（设计模式分析）：Anthropic、LangGraph、OpenAI Agents SDK、AutoGen、CrewAI 对同一模式有不同 API 但本质等价。理解模式本质比绑定框架更重要。
Agent 评测视角
Agent 评测趋势 与 交互式评测报告 指出：Agent 评测对象是系统而非模型（含模型+提示+工具+记忆+检索+权限+环境+版本），评测正从”答案正确率”走向”系统级任务完成能力”。详见 LLM 评估。
矛盾或新想法
⚠️ 矛盾 [2026-07-25] “单 Agent 优先、审慎用 Agent/多 Agent”的工程保守派立场（实用指南、Cognition）与厂商宣传的 Agent 强大能力（Anthropic 多智能体 +90.2%）存在适用边界张力。两者并不根本矛盾，但默认应从最简单方案开始是跨来源共识。详见 Multi-Agent-Systems。