📝 学习笔记：初识智能体——看完这篇文章，我终于把”Agent”给串起来了

大家好，我是小元。
之前我在博客里梳理了 JavaScript 的全地图，那篇总结帮我打通了前端基础里的很多关节。最近我把目光转向了 AI，尤其是大语言模型带火的“智能体（Agent）”。但网上资料太多太杂，一上来就是各种框架、多智能体协作，看得我一头雾水。

直到我读到了这篇《第一章 初识智能体》，它像一张精心绘制的导览图，帮我从零开始理解了智能体的全貌。今天这篇博客，就是我的学习笔记。我想用自己的话，把这一章的内容重新说一遍。如果你也刚入门，希望它能帮到你。

🤖 什么是智能体？——一个会看、会想、会动的闭环

文章一开头就给了一个非常清晰的定义：

智能体 = 通过传感器感知环境 + 通过执行器采取行动 + 达成目标的自主实体。

我把它理解成：一个能“看到”周围、“思考”下一步、“动手”改变世界的家伙。对于自动驾驶汽车，环境是马路；对于交易算法，环境是金融市场。而传感器可能是摄像头、API 接口，执行器可能是方向盘或者一段代码调用。最关键的是“自主性”——它不是机械地执行死命令，而是能自己判断、自己决定。

这个“感知 → 思考 → 行动”的闭环，就是所有智能体行为的基础。有了这个框架，我再看复杂的 AI 系统时，就不再觉得它们是黑盒子，而是可以拆解成这几个环节。

🧭 智能体的演进之路：从恒温器到 AlphaGo

接下来这篇文章带我们回溯了智能体的“族谱”，这是我最喜欢的一部分。原来在没有大模型之前，研究者们已经造出了好几种越来越聪明的智能体：

  • 简单反射智能体：就像恒温器——“温度高了就开空调”。只看眼前，没有记忆。
  • 基于模型的反射智能体：多了一个内部“世界模型”，能记住看不见的东西，比如在隧道里仍能追踪前车位置。
  • 基于目标的智能体：会为了一个目标主动规划，比如 GPS 导航帮你找出最快路线。
  • 基于效用的智能体：当目标不止一个时（快、省油、避堵），它会给不同结果打分，追求“最满意”而不仅仅是“到达”。
  • 学习型智能体：能通过试错不断进步，像 AlphaGo Zero，自己和自己下棋，渐渐无师自通。

这一条从“死规则”到“活决策”再到“自主学习”的进化路线，让我一下看清了传统 AI 的智慧积累。没有这些基础，后来的大模型智能体就不会那么快崛起。

🧠 LLM 来了，智能体变了

传统的智能体像个一丝不苟的会计，所有知识都要工程师一行行写进去。而大模型驱动的智能体（LLM智能体）更像一个读过几万本书的“通才”，靠预训练获得了强大的通用知识和推理能力。

文章用一个智能旅行助手的例子把这种差异讲透了。过去的做法是：你手动查天气、查地图、比价、订票，每个步骤都要自己操作不同软件。而 LLM 智能体能一次听懂你的模糊指令——“规划一次厦门之旅”，然后自己分解步骤、查询天气、调整行程、预订住宿，甚至在你嫌贵的时候主动换酒店。

它的魔力来自于三个能力：

  • 规划与推理：把大任务拆成小步骤。
  • 工具使用：自动调用天气 API、搜索工具等。
  • 动态修正：根据最新反馈随时调整计划。

这种从“写代码”到“引导大脑”的转变，让我感觉我们不是在教 AI 做事，而是在教它自己想。

🗂️ 给智能体分分类

为了更清楚地理解，文章从三个角度给智能体做了分类，我画了个自己的记忆图：

  1. 按内部架构复杂度分：就是从反射式到效用式的那个演进阶梯，这是经典教材的分法。
  2. 按决策速度分：
    • 反应式：像安全气囊，毫秒级响应，短视但快。
    • 规划式：像棋手，深思熟虑，但慢。
    • 混合式：把两者结合，底层快反应，上层慢规划，很多现代 LLM 智能体就是这种模式——它们在一个“思考-行动-观察”循环中不断交替着快反应和慢规划。
  3. 按知识表示分：
    • 符号主义 AI：靠显式规则和逻辑推理，透明但脆弱。
    • 亚符号主义 AI（神经网络）：靠数据统计识别模式，强大但像黑箱。
    • 神经符号主义 AI：融合二者，让直觉与理性共处。文章用卡尼曼的《思考，快与慢》做类比，系统1（直觉）和系统2（慢推理）一起工作，太形象了。大模型智能体就是这种融合的实践。

⚙️ 智能体是怎样跑起来的？——PEAS 和 Agent Loop

文章随后用 PEAS 模型 分析了智能体的任务环境：

  • Performance（性能指标）
  • Environment（环境）
  • Actuators（执行器）
  • Sensors（传感器）

以旅行助手为例，环境是部分可观察、随机、动态而且可能多智能体并存的。这些特性直接决定了智能体需要记忆、需要应对不确定性、需要快速适应变化。

接着是核心的运行机制——Agent Loop：

1
感知（Observation） → 思考（Thought/规划/选工具） → 行动（Action） → 环境变化 → 感知……

我特别喜欢文章里给出的那个 Thought + Action 的输出格式：

1
2
Thought: 用户想知道北京的天气。我需要调用天气查询工具。
Action: get_weather("北京")

然后环境会把结果包装成 Observation 再喂回来。这样，LLM 的语言推理力和外部工具的真实信息就无缝连接起来了。

🛠️ 动手实现一个智能体：5 分钟初体验

这篇文章没有停留在理论，它带着读者用 Python 亲手写了一个智能旅行助手。整个过程我跟着读下来，相当于在脑子里跑了一遍代码：

  1. 准备工具：用 requests 调天气 API，用 Tavily 做景点搜索。
  2. 写指令模板：告诉模型它是什么角色，有哪些工具，必须用 Thought-Action 格式回答。
  3. 接入 LLM：封装了一个兼容 OpenAI 接口的客户端，可以接本地或云端模型。
  4. 主循环：把用户请求和系统提示拼成 prompt，解析模型的 Thought 和 Action，执行工具，得到结果，再拼回历史，循环直到任务完成。

最后它展示了一个三轮循环的完整执行案例：第一轮查天气，第二轮推荐景点，第三轮综合答案。看完后我真正懂了那句“核心在于工具和提示工程的结合”。那些看起来很牛的智能体框架，底层原理就是这么回事。

🤝 两种使用智能体的模式：工具 vs 协作者

文章最后一部分让我对智能体的应用有了立体认识：

  1. 作为开发者工具的智能体：像 GitHub Copilot、Cursor、Claude Code 等，它们深度嵌入我们的工作流，帮我们补全代码、查文档、重构，增强人而不是取代人。
  2. 作为自主协作者的智能体：像 AutoGPT、CrewAI、MetaGPT 等，你给它一个目标，它自己去规划、执行、反思，像团队成员一样独立交付成果。里面又分单智能体循环、多智能体协作、高级控制流架构等不同路子。

这里还特别区分了 Workflow 和 Agent：

  • Workflow 是“按部就班”，每一个分支都预先写好。
  • Agent 是“自主决策”，会根据实时情况动态推理。

比如审批退款：Workflow 会写死“金额<100自动通过”，而 Agent 会理解政策、分析用户历史，自动判断。一个公司该用哪种？文章没给死答案，但抛出了问题让我们自己思考，我觉得这就是学习最好的状态。

🎯 我的收获与思考

读完这一章，我心里有了一个清晰的认知地图：

  • 定义 → 传统演进 → LLM 新范式，这三块让我理解了智能体的“前世今生”。
  • PEAS 环境 + Agent Loop + Thought-Action-Observation 协议，这是智能体工程上的骨架。
  • 动手实现 让我从“知道”走向“会做”。
  • 应用模式 让我看到它离产业有多近。

更重要的是，文章末尾留的几个习题把我从被动阅读拉回了主动思考。比如“智能健身教练”的 PEAS 设计、Workflow 与 Agent 的方案对比、如何在循环里加记忆功能……这些问题我会试着在下一篇笔记里给出自己的答案。

如果你也刚开始接触智能体，强烈建议你找原文精读一遍，然后像我这样用自己的话复述一次。相信我，写下来，才能真正成为你的知识。

一起加油，我们下篇笔记见。

（本文为学习笔记，基于《第一章 初识智能体》概括整理，仅代表个人当前理解。如有错漏，欢迎指正。）