最近被AI Agent刷屏了，各种框架、各种概念满天飞。很多人看完还是一脸懵：Agent不就是ChatGPT套了个壳吗？

今天用人话讲清楚。

先说结论

	ChatGPT	AI Agent
本质	对话模型	自主决策系统
能力	回答问题	调用工具+自主规划
类比	百科全书	有手有脚的员工

简单说：ChatGPT是大脑，Agent是大脑+眼睛+手+脚。

一个例子说明白

场景：帮我查一下今天北京天气，然后发邮件给老板

ChatGPT的做法：

你：帮我查天气并发邮件
ChatGPT：北京今天晴，25度。建议您使用邮箱客户端发送。
（完了。它不会真的去查，也不会真的发邮件。）

Agent的做法：

Agent收到指令
  ↓
思考：需要查天气 → 调用天气API
  ↓
拿到结果：北京晴，25度
  ↓
思考：需要发邮件 → 调用邮件API
  ↓
执行：发送邮件给老板
  ↓
回复：已完成，北京今天25度，邮件已发送。

区别一目了然：Agent会用工具，会自己规划步骤。

Agent的核心组成

Agent = LLM（大脑） + Tools（工具） + Memory（记忆） + Planning（规划）

1. LLM（大脑）

就是ChatGPT、Claude这些大模型，负责理解指令、做决策。

2. Tools（工具）

Agent能调用的外部能力：

• 搜索引擎
• 代码执行器
• 数据库查询
• API调用
• 文件读写

没有工具的Agent = 没有手的人，空有想法但做不了事。

3. Memory（记忆）

• 短期记忆：当前对话的上下文
• 长期记忆：历史对话、用户偏好

没有记忆的Agent = 金鱼，每次对话都从零开始。

4. Planning（规划）

Agent拿到任务后，会自己拆解步骤：

用户：帮我分析竞争对手的定价策略

Agent的思考过程：
1. 先搜索竞争对手的产品信息
2. 提取价格数据
3. 整理成表格
4. 分析定价规律
5. 给出建议

这就是Planning——不需要你一步步教，它自己知道该干什么。

一个真实案例

我用LangChain搭了一个简单的Agent，功能是：根据用户需求自动生成代码并测试

from langchain.agents import create_react_agent
from langchain.tools import Tool
from langchain.chat_models import ChatOpenAI

# 定义工具
def run_code(code):
    """执行Python代码"""
    exec(code)
    return "执行完成"

tools = [
    Tool(name="代码执行器", func=run_code, description="执行Python代码"),
]

# 创建Agent
llm = ChatOpenAI(model="gpt-4")
agent = create_react_agent(llm, tools, prompt)

# 运行
result = agent.run("写一个计算斐波那契数列第10项的函数并运行")

效果：

Agent思考：需要写代码 → 调用代码执行器
Agent思考：需要验证结果 → 再次调用执行器检查
回复：斐波那契数列第10项是55，代码已验证正确。

它自己决定写什么代码、怎么测试、什么时候停。不需要我干预。

Agent的几种类型

1. ReAct Agent（最常用）

思考 → 行动 → 观察 → 思考 → 行动 → ...

像人一样，边想边做。

2. Plan-and-Execute Agent

先规划完整步骤 → 逐步执行

适合复杂任务。

3. Multi-Agent（多智能体）

多个Agent协作，各司其职

比如：一个写代码，一个测试，一个审查。

现在能用Agent做什么？

场景	示例
自动化办公	自动读邮件、整理数据、生成报告
代码开发	根据需求自动生成代码并测试
数据分析	自动爬取数据、清洗、生成图表
客服系统	自动回答用户问题、调用内部系统
个人助手	管理日程、提醒事项、信息检索

下一篇预告

下一篇教你用LangChain搭一个能自动搜索+总结的Agent，10行代码，直接能跑。

如果你也在学Agent，评论区聊聊你打算用它做什么？