Agent 中文常译作“智能体”。在 AI 语境里，它通常指一个不仅能回答问题，还能根据目标规划步骤、调用工具、观察结果并继续行动的系统。
普通聊天模型更像回答者，Agent 更像执行者。你问“这个概念是什么意思”，聊天模型给你解释；你说“帮我查资料、整理成报告、保存到文件里”，Agent 则需要规划任务、使用工具、检查结果，并把多个步骤串起来。
先用一句话抓住它
Agent 是能围绕目标进行规划、调用工具、观察反馈并持续推进任务的 AI 系统。
生活里的类比是助理。顾问可以告诉你怎么做，助理会真的去查资料、整理文件、发起操作，并把结果反馈回来。当然，这个助理能做什么，取决于它被允许使用哪些工具和权限。
从回答到行动
Agent 解决的是“多步骤任务执行”的问题。单次问答只需要生成回答，而多步骤任务往往需要不断循环：先理解目标，再拆分步骤，然后调用工具，观察工具返回结果，再决定下一步。
flowchart LR
Goal["目标"] --> Plan["规划步骤"]
Plan --> Tool["调用工具"]
Tool --> Observe["观察结果"]
Observe --> Decide["判断下一步"]
Decide --> Tool
Decide --> Finish["完成任务 / 返回结果"]这个过程里，目标是用户希望完成的最终结果，规划是把目标拆成可执行步骤，工具调用是使用搜索、文件、代码、数据库、浏览器或 API 等外部能力。观察则是读取工具返回的信息，再决定继续、修正还是结束。
和聊天机器人的区别
聊天机器人主要生成回答，Agent 更强调行动。一个 Agent 可以先理解任务，再查资料、读文件、写草稿、运行命令、调用 API、检查错误，最后把结果交给用户。
但 Agent 并不是越自动越好。它能调用工具，也意味着它可能真的改变外部世界：删除文件、发送邮件、提交代码、创建订单、修改配置。能力越强，越需要权限控制、日志记录、人工确认和错误恢复。
Agent 常出现在哪里
研究助理是一个典型例子。它可以根据主题搜索资料，提取重点，整理成报告。编程助理可以阅读代码、修改文件、运行测试、解释报错。办公助理可以整理邮件、生成日程、处理文档。客服 Agent 可以查询订单、检索知识库、生成回复。
这些场景的共同点是任务不是一句话能完成，而是需要多个动作配合。Agent 的价值不在于“说得更像人”，而在于能把模型、工具和任务流程连接起来。
容易误解的地方
Agent 不等于完全自动化。很多步骤仍然应该由用户确认，尤其是写入、删除、发送、付款、改配置这类动作。会调用工具也不代表一定可靠，因为工具结果可能错，模型判断可能错，权限设计也可能有漏洞。
另一个误区是以为多个 Agent 一定更强。多 Agent 系统可能带来分工，但也会带来通信成本、状态不一致和责任不清。很多任务一个设计良好的 Agent 就足够。
怎么判断它该不该用
使用 Agent 时，最重要的是明确目标、工具、权限和确认点。低风险动作可以自动执行，高风险动作应该先让用户确认。一个可靠的 Agent 系统，通常要有日志、错误处理、权限隔离、可追踪输出和人工接管机制。