智能体（AI Agent）是能自主感知环境、做出决策并采取行动以完成目标的 AI 系统。它与「一问一答」的聊天机器人最大的区别在于：智能体拥有规划、记忆与工具调用能力，能拆解复杂任务并一步步执行。
一句话定位
智能体 = 大脑（大模型）+ 手脚（工具）+ 记忆（上下文）+ 规划（任务拆解），能自己把事办完。
知识体系
flowchart TD A[AI 智能体] --> B[四大核心能力] A --> C[关键技术] A --> D[主流架构] A --> E[应用场景] B --> B1["感知 Perception"] B --> B2["规划 Planning"] B --> B3["记忆 Memory"] B --> B4["行动 Action"] C --> C1["大语言模型 LLM 推理"] C --> C2["工具调用 Function Calling"] C --> C3["检索增强生成 RAG"] C --> C4["提示工程 Prompt"] D --> D1["ReAct: 推理 + 行动"] D --> D2["Plan-and-Execute"] D --> D3["多智能体协作"] E --> E1["自动化办公"] E --> E2["代码开发"] E --> E3["数据分析"] E --> E4["客服与知识问答"]
核心要点
- 与大模型的区别：大模型是「会说话的知识库」，智能体是「会做事的执行者」。
- 规划（Planning）：把复杂目标拆成可执行的子任务，并根据执行结果动态调整。
- 记忆（Memory）：短期记忆是当前对话上下文，长期记忆靠外部存储（向量数据库）实现。
- 工具调用（Tool Use / Function Calling）：让模型能查网页、跑代码、读写文件、调 API，从而突破「只会文本」的限制。
- RAG（检索增强生成）：先检索相关知识，再让模型基于检索结果回答，缓解幻觉、接入私有知识。
- 主流范式：
- ReAct：交替「推理（Reason）」与「行动（Act）」，边想边做。
- Plan-and-Execute：先整体规划，再逐步执行。
- 多智能体：多个角色分工协作（如「产品经理 + 开发 + 测试」）。
- 可靠性与成本：智能体要面对幻觉、死循环、工具报错等问题，需要护栏（Guardrails）、重试与人工确认机制。
学习建议
- 先理解 人工智能 的基础，再动手用框架（如 LangChain、AutoGPT 类思路）搭一个能调工具的 Agent；
- 从「单一工具 + 简单任务」开始，逐步增加记忆与多步规划；
- 关注成本与延迟，工程化落地比 Demo 难得多。