AI 智能体与工具使用

01

从回答到行动

决定性的飞跃是能动性：一个智能体不只是一次性产出一个最终答案，而是跨多个步骤 追求一个目标，沿途自己决定行动。问一个普通的 LLM「阿德莱德天气如何，我该带伞吗？」，它只能从 陈旧的训练数据里瞎猜。一个智能体则调用一个天气 API、读取结果、从真实而当前的数据 回答——然后或许查看你的日历、起草一条提醒。

那份自主，正是解锁真正有用的工作——研究、自动化、写代码、操作软件——的东西，但它也意味着这个 系统现在是在做事，而不只是说话，这抬高了每一个错误的赌注。理解那个循环，就是你让这份 力量保持有用的方式。

02

推理-行动-观察循环

几乎每一个智能体的核心，是一个简单的循环，因 ReAct（Reason + Act，推理 + 行动）而 广为人知：模型推理该做什么、采取一个行动（调用一个工具）、观察结果，然后循环——带着新信息再次推理——直到目标达成。

正是这一点，把一个一次性的文本生成器，变成某种能对付它在单次回应里解决不了的任务的东西。循环 的每一轮，模型都能看见它上一个行动的后果并做出调整——恰恰是强化学习里那个智能体-环境循环的反馈结构，只不过这里由 一个 LLM 的推理、而非一个学到的策略来驱动。

03

工具使用：把模型锚定在真实的能力上

工具是赋予一个智能体力量的东西。通过函数调用，模型被告知有哪些工具可用（一个搜索 引擎、一个计算器、一次数据库查询、一个代码解释器、一个邮件发送器），并可以选择用它自己生成的 参数去调用其中一个，而非直接回答。工具运行，它的输出回到模型的上下文里。

这一举解决了 LLM 的核心弱点。它做不了可靠的算术？给它一个计算器。它的知识陈旧、或者它幻觉？给它在真实文档上的搜索（这就是作为工具的 RAG）。 它没法在世界中行动？给它一个 API。工具把那个流畅却不可靠的模型，锚定在精确、 当前、真实的能力上——这就是为什么「它有哪些工具？」与「它是哪个模型？」一样要紧。

04

规划与记忆

再有两个部件，把一个反应式的循环变成能处理真正复杂度的东西：

• 规划——对一个多步骤的目标，智能体先把它分解成一连串子任务（「要订这趟行程：先 找航班，再找酒店，再加进日历」），而非一次一步地即兴发挥。更好的规划，很大程度上正是把一个 能完成复杂任务的智能体、与一个四处乱逛的智能体区分开来的东西。
• 记忆——循环的工作上下文是短期记忆（且它受上下文窗口限制）。对任何更长的东西， 智能体需要长期记忆——一个它能写入并从中检索的外部存储（往往是一个向量数据库），好让它能回想起更早的发现， 而不必一次把一切都装在上下文里。

05

多智能体系统

一个自然的扩展，是把好几个智能体一起用，每一个各有专长——一个收集信息的「研究者」 智能体、一个起草的「写作者」、一个检查的「批评者」——协同解决一个通才智能体会吃力的问题。它 映照了一个人类团队如何分工，而「批评者」或「验证者」的角色尤其有价值，因为它把检查内建进了系统。这是一个有前景的模式，尽管它把成本与协调的挑战翻了倍，并非免费的胜利。

06

为什么它很难——以及必须被设界

智能体强大、又确实不可靠，而这里的诚实比炒作更重要：

07

它在我工作中的体现

08

60 秒回顾

ReAct 循环、工具使用/函数调用、规划与记忆的架构，以及错误累积/验证的告诫，反映了当前的 AI 智能体参考文献以及亲身的使用。