1.1.1 什么是Agent · 波仔的 Agent+RPA 课

📄 一句话概括

聊天机器人是【你问它答】，Agent 是【你说目标、它自己想办法做完】——差别不在聪明程度，而在有没有手脚和记性：Agent ＝大模型＋工具＋记忆＋一个【想—做—看】的循环。

📝 本节和前面几节的关系

这是本课第一篇，也是整门课的地基。前面十七门课你已经把【程序怎么跑】【数据怎么存】【机器怎么连】都摸过一遍了，这一课换了个问题：如果干活的不是人、也不是死代码，而是一个会自己想下一步的 AI，那它长什么样？ 本节先把 Agent 这个词说清楚，1.1.2 拆它的能力，1.1.3 看它用在哪；1.4 开始再讲它的搭档 RPA，最后在 1.6 把两者拼起来——这门课的主线就是【Agent 负责想、RPA 负责做】这对组合。

一、先把词拆开：Agent 是谁的 Agent

Agent 的中文译名前几年很乱：代理、智能体、数字员工，说的都是它。本课统一叫【智能体】。

教材给的定义很短：能够感知环境、自主决策、并采取行动以达成目标的程序。把这句话拆成三块看：

要素	含义	大白话
感知	能拿到外部信息	看得见你要它办的事、也看得见中间结果
决策	自己判断下一步做什么	不需要你一步步下命令
行动	真能改变外部世界	会调用工具去点击、查询、写文件

三个里缺一个就不算完整的 Agent：只会聊天不会动手的，是聊天机器人；只会按固定步骤动手的，是脚本。

二、和聊天机器人到底差在哪

这是本节最容易糊过去的地方，摆到一张表上就清楚了：

对比项	聊天机器人	Agent
你给的输入	一个问题	一个目标
它的输出	一段文字	一段文字＋真的把事做了
执行步数	一问一答，1 轮	自己决定跑几步，可能 8 步、可能 30 步
出错之后	继续说，可能越说越错	能看到结果，自己改道重试
记忆	本轮对话（上下文窗口）	本轮上下文＋可持久化的长期记忆
典型代表	早期的客服机器人	扣子 Bot、ChatGPT 里的带工具智能体

一句话判据：它会不会因为【看到结果】而改变下一步？ 会，就是 Agent。

三、Agent 的四大件：大脑、手脚、记忆、循环

教材式的记法只有四个词，值得背下来：

        ┌─────────── 大模型（大脑）───────────┐
        │  理解任务 · 推理 · 决定下一步          │
        └───────────────┬────────────────────┘
                        │
      ┌─────────────────┼─────────────────┐
      ▼                 ▼                 ▼
   工具（手脚）       记忆（账本）      循环（节拍器）
 搜索/浏览/写文件/   上下文＋长期库    想 → 做 → 看 →
 发邮件/调 API       （向量检索）      再想……直到完成

大脑＝大模型：负责理解与推理。大模型本身只会【说】，它不会点鼠标、不会查数据库——这是所有初学者最大的误会。
手脚＝工具：搜索、网页浏览、代码执行、发邮件、读写文件、调用业务系统接口。没有工具，Agent 只能动嘴。
记忆＝上下文＋长期库：上下文是【这一轮记得什么】，长期记忆是【跨轮次记得什么】（通常用向量数据库做检索）。
循环＝执行节拍：Agent 的本质是一段循环——想一步、做一步、看结果、再想一步。2026 年的行话叫【ReAct 循环】（Reason ＋ Act）。

📝 2026 现状：工具这件事已经标准化了

2024 年 11 月 Anthropic 提出的 MCP（Model Context Protocol，模型上下文协议），到 2026 年已经是事实标准：OpenAI、Google DeepMind、Microsoft 都接了，公开可用的 MCP 服务器超过 10,000 个，官方 SDK 月下载量约 9,700 万次。2025 年 12 月 9 日 MCP 被捐给 Linux 基金会下的 Agentic AI Foundation，变成厂商中立的社区标准。对学习者来说，意义是：过去【给 Agent 接一个工具】要一家一家写适配，现在写一次就能到处用——就像 USB-C 统一了充电口。本节先知道有这么个东西，1.1.2 讲工具调用时再展开。

四、Agent 的三种【自主度】

别以为 Agent 只有一种形态，按【人管多少】可以排成一排：

档位	名字	谁决定步骤	例子
低	协作型（Copilot）	人定步骤，AI 补内容	帮你写代码的补全、改文案
中	半自主型	人给目标，AI 定步骤，关键节点问人	扣子 Bot 里带【确认后执行】的流程
高	全自主型	AI 自己拆任务、自己跑完	一句话让它调研并生成报告

越往右越省事，也越危险——全自主的那一档，一旦目标理解偏了，它会认真地朝错方向跑三十步。所以本课后面讲实战时，几乎每个案例都会在关键动作前留一个人工确认点（发布前、付款前、删数据前）。

五、动手 Demo：亲手感受【只能说】和【会动手】

准备：一个能上网的浏览器。任选一个你现在能用的大模型对话窗口（国内可用扣子 coze.cn 的智能体商店、或任意对话式 AI）。

第一步——只说： 1. 打开对话窗口，输入：帮我查一下今天北京天气，然后告诉我适不适合跑步。 2. 观察它的回复。

第二步——会做： 1. 找到平台里的【工具／插件】开关（扣子里的 Bot 通常自带「联网搜索」能力，部分平台需要手动开启）。 2. 开启联网后，问同样的问题。

看到什么算成功：两次回答的形态不同——第一次它要么说不知道，要么凭训练数据里过时的印象回答，而且不会给你真实的当天数据；第二次它会先执行一次搜索（界面上通常能看到类似「正在搜索…」的过程提示），再基于搜到的结果回答。

读结果：两句话的区别就是本节的全部内容—— - 第一次是语言模型在说话； - 第二次是Agent 在干活：它自己决定【要先搜索】，调用了【搜索工具】这个手脚，拿到结果后再组织语言。

结论：大模型＋工具＋一次自主调用＝你已经见到最小的 Agent 了。

30 秒实验

在同一平台新建一个空白智能体（或直接在对话里）输入下面这句话：

帮我把这段话翻译成英文，然后写进一个名为 note.txt 的文件里。

观察它怎么回答： - 如果它说【抱歉，我无法写文件】——它现在没有手脚，只能算聊天机器人； - 如果它提示要调用某个工具、或者真的给了你一个可下载的 note.txt——它有手脚，是个 Agent。

这句话像一把尺子：同一个模型，接没接工具，是两种东西。

常见误区

【Agent 就是一个更聪明的聊天机器人】——不是聪明程度的问题，是结构的问题。一个笨模型加上工具和循环，能完成的事也远多于一个聪明模型光靠嘴说。
【大模型自己就能点鼠标、查数据库】——大模型的本职只有一件事：预测下一段文字。所有【动手】都是外面套的工具在执行，大模型只是决定【调哪个工具、给什么参数】。
【Agent 必须全自动、不用人管】——恰恰相反，工程上成熟的做法是留人工确认点。见上面第三节的三档自主度。
【名字里带 Agent 就都是智能体】——注意区分：AI Agent（本课的主角）、Agentic AI（指一类具备自主性的 AI 系统风格）、以及各平台自己发明的产品名（比如 OpenAI 一度叫 Agent Builder 的工作流工具）。名字撞车，看它有没有工具和循环才准。
【做 Agent 一定要会写代码】——本课的载体（扣子、GPTs）都是可视化配置，零代码能做出能用的东西。但要做稳、做深，最后一定会碰到代码——所以这门课在讲完可视化平台之后，才引出 RPA 补【动手】这一环。

自测三问（点开对答案）

1. **判断一个东西是不是 Agent，最简洁的一句话判据是什么？** 它会不会**因为看到执行结果而改变下一步**。会，就是 Agent（有循环）；不会，就是聊天机器人或脚本。 2. **Agent 的四大件是什么？分别解决什么问题？** 大脑（大模型，负责想）／手脚（工具，负责做）／记忆（上下文＋长期库，负责记住）／循环（想—做—看的节拍，负责推进）。**缺工具就只能动嘴，缺循环就成了一次性问答。** 3. **MCP 对做 Agent 的人意味着什么？** 意味着一套统一的【接工具】标准：写一次 MCP 服务器，任何支持 MCP 的 Agent 都能用——**不用再为每个平台各写一份适配**。2026 年它已是事实标准（10,000+ 服务器、被捐给 Linux 基金会下的 Agentic AI Foundation）。

☐ 下一节（1.1.2 Agent 的核心能力）