智能体是什么：思考、行动、观察循环

这篇适合谁，读完能做什么

这篇适合刚接触 AI 智能体、想先弄清楚它到底是什么的读者。读完后，你应该能用一句话说明智能体的定义，分清它的「大脑」和「身体」，并理解思考、行动、观察这个循环是怎样运转的。

智能体是什么

智能体是一个系统：它借助 AI 模型与环境交互，以完成用户设定的目标。它结合了推理、规划和行动的执行，行动往往要通过外部工具来完成^[1]。

可以用一个管家的例子来理解。假设你对智能体说：「请给我来杯咖啡。」它先理解这句自然语言，然后推理和规划步骤：去厨房、使用咖啡机、冲泡咖啡、把咖啡端回来。接着它调用手边的工具，比如咖啡机，完成任务。智能体之所以叫「智能体」，是因为它有能动性（agency），也就是能与环境互动^[1]。

大脑和身体

智能体可以拆成两部分^[1]：

大脑是 AI 模型，负责推理和规划，并根据当前情况决定采取什么行动。
身体是智能体被赋予的能力和工具，决定它能做的动作范围。比如人类没有翅膀，就不能「飞」，但可以走、跑、跳、抓取。

同一个大脑，配上不同的工具，能做的事情就完全不同。

智能体的能动性有几个层级

智能体的能动性是一个连续的光谱，从低到高大致分为五级^[1]：

简单处理器：输出不影响程序的流程。
路由器：输出决定基本的控制流，比如走哪条分支。
工具调用者：输出决定要执行哪个函数，常见写法是 run_function(llm_chosen_tool, llm_chosen_args)。
多步智能体：输出控制迭代和是否继续，常见写法是 while llm_should_continue(): execute_next_step()。
多智能体：一个智能体工作流可以启动另一个智能体工作流。

越往上，模型对程序流程的控制就越大，同时也越难预测和测试。

大模型为什么需要工具

智能体的大脑最常见的是大语言模型（LLM），它输入文本，输出文本。GPT-4、Llama 和 Gemini 都是这类模型的例子^[1]。另有一类视觉语言模型（VLM），它与大语言模型相似，但还能理解图片作为输入^[1]。

大语言模型本身只能生成文字。但 HuggingChat、ChatGPT 这类应用能生成图片，是因为开发者为模型加了工具，模型可以调用这些工具来生成图片^[1]。

所以，智能体能做的任何事，原则上都是通过工具实现的。一个动作（action）可能要用到多个工具才能完成，动作和工具并不是同一个概念^[1]。工具的设计对智能体的质量影响很大：有些任务需要专门设计的工具，有些则可以用 web_search 这类通用工具解决^[1]。

工具怎么写，大模型怎么调用

工具本质上就是一个普通的 Python 函数，带有说明文字（docstring）。比如一个发邮件的工具可以这样定义^[1]：

def send_message_to(recipient, message):
    """Useful to send an e-mail message to a recipient"""
    ...

大模型需要用它时，会生成运行这个工具的代码。例如^[1]：

send_message_to("Manager", "Can we postpone today's meeting?")

这就是「个人助理」类智能体的工作方式：先理解指令，再决定调用哪个工具。

思考：智能体的内部推理

思考（Thought）是智能体的内部推理和规划。它利用大语言模型分析提示词里的信息，相当于智能体解决问题时的内心独白^[2]。

思考让智能体能评估当前观察到的情况，决定下一步行动，把复杂问题拆成更小的步骤，并随着新信息调整计划^[2]。常见的思考类型包括：规划、分析、决策、解决问题、整合记忆、自我反思、设定目标和排序优先级^[2]。

思维链（CoT）和 ReAct 有什么不同

思维链（Chain-of-Thought，CoT）是一种提示技巧，引导模型在给出最终答案之前一步一步地思考，通常以「Let's think step by step.」开头。它适合逻辑和数学题，过程中不调用外部工具^[2]。下面是一个 CoT 的例子：

Question: What is 15% of 200?
Thought: Let's think step by step. 10% of 200 is 20, and 5% of 200 is 10, so 15% is 30.
Answer: 30

ReAct 则是把推理（Reasoning）和行动（Acting）结合起来的方法。它在思考、行动、观察之间交替进行：思考是内部推理，行动是使用工具，观察是接收工具返回的结果。这让智能体能解决需要多步完成的复杂任务^[2]。一个 ReAct 的例子如下：

Thought: I need to find the latest weather in Paris.
Action: Search["weather in Paris"]
Observation: It's 18°C and cloudy.
Thought: Now that I know the weather...
Action: Finish["It's 18°C and cloudy in Paris."]

两者的区别在于，CoT 不使用外部工具，ReAct 通过行动和观察与外部世界交互。CoT 适合逻辑、数学和纯内部的任务，ReAct 适合信息检索和动态的多步任务^[2]。

另外，DeepSeek R1 和 OpenAI 的 o1 这类模型经过微调，学会在回答前先思考，它们用 <think> 和 </think> 标记把推理阶段与最终答案分开。与 ReAct、CoT 这类提示策略不同，这是一种训练层面的技术^[2]。

智能体的常见例子

个人虚拟助手，比如 Siri、Alexa 和 Google Assistant。它们代表用户工作时就是智能体：接收请求、分析上下文、检索信息，然后回答或发起提醒、发送消息、控制智能设备等操作^[1]。
客服聊天机器人，可以回答问题、引导排查故障、在内部数据库里提交工单，或者完成交易^[1]。
电子游戏里由大语言模型驱动的非玩家角色（NPC）。它们能根据上下文回应，适应玩家的互动，而不是死板地执行行为树^[1]。