同一句话，交给同一个模型，「它劝你带伞」和「它查完天气再告诉你带伞」是两码事。 界线不在回答得多好，在下一步由谁决定：提示词写死，还是上一步的结果说了算。 这一节把这条线划出来，也顺手划出另一半——哪些活根本不该做成 Agent。
这是全书第一章，也是唯一一章没有平台可点的。 后面十五章里的节点、插件、知识库、数据库，全是在给这一节那个循环添零件。 所以先别急着学怎么点。先把「什么值得做成 Agent」想清楚—— 想不清楚的人，后面每学一个功能都想往项目里塞，最后做出来的是个什么都能干、什么都不准的东西。
一、同一句话，两种回应
你说：明天去宜昌出差，帮我看看要不要带伞。 第一种回应——宜昌十月多雨，建议随身带伞，注意早晚温差，山区路段湿滑。 这话挑不出毛病，读着还挺贴心。但它没查任何东西，全是「十月」「山区」这些词带来的联想。
第二种回应——查了明天宜昌：小雨，12 到 18 度，降水概率八成。带伞，另加一件薄外套。 附查询时间：今晚八点。 两段话都是模型写的，用的可能是同一个模型。差别只在中间那一次查询。 谁发起了这次查询？ 不是模型自己想起来，是外面那层架子规定的：回答这类问题之前，先去查一下。
二、分界线：下一步由谁定
一问一答里，下一步是提示词定的。你写「请给出答案」，它写完就输出，没有第二个动作。 Agent 里，下一步是当前状态定的：查到了没有、校验过了没有、目标达成了没有。 演示里同一个排序任务走了两条路。一问一答一次给完，把「12 年」读成了「1 年」； 循环三步，第一步就自己发现 5 排在 12 前面。
注意，这并不说明 Agent 更聪明。 第二轮用的模型和第一轮一模一样，值钱的不是智商， 是它多了「回头看一眼」这个动作。 所以判断一个东西是不是 Agent，只看一句话：它下一步做什么，是不是上一步的结果说了算。 按这条尺子量，很多号称智能体的东西其实是个套了壳的问答：提示词里写「请一步步思考」，看着像在规划， 实际上还是写完就交，中间没有第二个动作。
三、三个信号：这活值得做成 Agent
第一个信号，会错。任务有歧义、数据脏、格式乱，一次做对的概率本来就不高。 第二个信号，错了能看出来。有校验手段：跑测试、查格式、跟源数据对一遍、让用户点确认。 第三个信号，看出来能再试。重做一次的成本低，而且重做不会污染别的东西。
三条缺一条，做 Agent 都是亏的。 缺第二条最危险——它错了你不知道，等发现的时候已经发出去五十条消息了。 反过来看那个查天气的例子：它满足三条。 会错（可能查错城市）、错了能看出来（日期和地名一核就露）、能再试（再查一次而已）。 所以这类活值得做成 Agent。
四、反过来说：这三种别做
答案唯一且能算的。 日期差、金额汇总、字符串拼接。 代码节点两行的事，让模型算是拿概率工具做确定性工作，慢、贵，还可能差那么一点点。 每次都一模一样的。 固定格式的周报、固定话术的回复。 工作流比 Agent 稳，还便宜——它不会今天多问一句、明天少问一句。 错了没法发现的。 给领导的结论、对外发布的数字。你自己都验不了，就不该让它自己跑完。
这三条不是「Agent 做不到」，是「用了更贵、更慢、更容易错」。 做技术的容易犯的毛病，是把能做的都做了，而不是把该做的做好。
五、Agent 不是更聪明的模型
这一点最反直觉，也最省钱：同一个模型，套上架子能办事，不套只能说话。 架子这一圈里，没有一行是「让它更聪明」的。 全是些笨东西：规定先干什么后干什么、允许它碰哪些东西、干完谁来检查、什么时候强制收工。 后面十五章讲的都是这圈架子。拆步骤、接工具、喂资料、拦住它、把它打包发给同事，没有一样是在改模型。
学到最后你会发现，难的从来不是让模型变强，是让它在该停的时候停、在该问的时候问。这两件事， 模型自己做不到，得靠外面那圈架子。
六、动手 Demo：三份简历，两种排序
造三份简历，按工作年限从高到低排。 先走一问一答：三行全塞进去，一次给答案。再走一个三步循环：每一步都看上一轮的结果。
data = [('张三', 5), ('李四', 12), ('王五', 3)]
# 一问一答：一次给完，它抓年限但只读了第一位
one = sorted(data, key=lambda x: -int(str(x[1])[0]))
print([n for n, _ in one])
# Agent：三步，下一步看上一轮的结果
order = [n for n, _ in data]
for turn in range(1, 4):
yrs = [dict(data)[x] for x in order]
if all(yrs[i] >= yrs[i+1] for i in range(len(yrs) - 1)):
print(turn, '校验通过，停', order)
break
order = [n for n, _ in sorted(data, key=lambda x: -x[1])]
print(turn, '按年限重排', order)
实跑输出：
--------------------------------------------------------------------
同一件事，两种做法：一问一答与循环
--------------------------------------------------------------------
① 一问一答：把三份简历全塞进去，让它一次给出顺序
--------------------------------------------------------------------
塞进去的是 96 个字符，87 个 token（按中文 1.6 字一个粗算）。
这一步只调用一次。它必须在一口气里同时干完三件事：读懂三行、找出年限、比大小。
一次给出：张三 > 王五 > 李四
正确答案该是：李四（12）> 张三（5）> 王五（3）。
这次它把「12 年」读成了「1 年」——只取了第一位数字，李四就掉到了最后。
! 错在哪一步？看不出来。它只给了结果，没给过程。
② Agent：拆成三步，每一步都能停下来看一眼
--------------------------------------------------------------------
| 轮 | 做了什么 | 看到了什么 |
|---:|---|---|
| 1 | 按原名单校验 | 年限 5／12／3，第 1 个就比第 2 个小 |
| 2 | 按年限重排 | 李四 > 张三 > 王五 |
| 3 | 校验通过，停 | 李四 > 张三 > 王五 |
三步：第一步它就自己发现不对（5 排在 12 前面），第二步改，第三步确认改过来了。
一问一答缺的正是这两下：它没有「回头看一眼」这个动作，也没有「再来一次」这个时机。
! 两边的差别不在答案好不好，在下一步由谁定：一边由提示词写死，一边由当前状态决定。
③ 把差别算成一笔账
--------------------------------------------------------------------
| 做法 | 调用次数 | 下一步由谁定 | 能自我纠正 | 出错能定位 |
|---|---|---|---|---|
| 一问一答 | 1 次 | 提示词写死：读完就答 | 不能 | 看不出来 |
| Agent | 3 次 | 当前状态：校验没过就重排 | 能（第 1 步就发现） | 每一步都有记录 |
次数是它的 3 倍，换来的是「出错能定位」和「能自己改」。
这就是全书的取舍起点：凡是只跑一次就完的，别做 Agent；
凡是会错、错了能看出、看出来了还能再试一次的，才值得做 Agent。
①第一段是输入。九十六个字符、八十七个 token，一次调用就能塞下。 它得在一口气里同时干完三件事：读懂三行、找出年限、比大小。 ②它给出「张三 > 王五 > 李四」。表面看像模像样，实际把十二读成了一。 这类错在真机上极常见，而且看起来非常像对的——没有一个字是胡说的。 ③循环那张表只有三步。第一次校验就发现不对，第二次重排，第三次确认。 每一步的输入都是上一步的输出，这就是「下一步由状态定」。 ④第三张表把账算清：一次变三次，多付两倍，换来「能发现」和「能改」。 这笔买卖划不划算，取决于错了以后谁承担——自己看一眼就行的，不值；发给客户的，很值。 ⑤最后那一列「下一步由谁定」才是本节要记住的东西。 同样是三次调用，如果三次都在跑同一段提示词，它仍然不是 Agent。
30 秒实验
- 把你手上最常做的一件重复工作，按「会错、能发现、能重试」打三个勾。缺一个就别做 Agent。
- 找一个你现在用 AI 做的事，问一句：它下一步做什么，是提示词定的还是结果定的。
- 把演示里三份简历换成四份，其中一份年限写成「十二年」。想想你会怎么改校验。
常见误区
- 「Agent 就是加了工具的模型。」工具只是四件之一。没有目标它不知道停，没有循环它只走一步。
- 「模型越大 Agent 越强。」模型决定单步质量，架子决定能不能走到终点。 演示里那个排序错，换个更贵的模型也未必躲得过。
- 「先做出来再想边界。」有副作用的 Agent——发消息、下单、删数据——必须先把边界定死。 错了收不回来的事，不能靠事后补。
自测三问（点开对答案）
1. 怎么一眼看出一个东西是不是 Agent？ —— 看它下一步做什么由谁决定。提示词写死的是一次性回答，上一步结果说了算的才是 Agent。 2. 哪三个信号说明这活值得做成 Agent？ —— 会错、错了能看出来、看出来能再试。缺第二条最危险——它错了你不知道。 3. 为什么「把这张表第三列求和」不该交给模型？ —— 答案唯一且能算。让模型算是拿概率工具做确定性工作，慢、贵，还可能跟真值差一点。分界线划完了，下一个问题是：一个 Agent 到底由哪几件东西拼成。 下一节把这四件摆出来，再一件一件拿掉，看每一件缺了会出什么事。
- ☐ （本篇完，下一篇 1.2 认识 Agent）