周五下午四点半，办公室的气氛已经松动。老李端着保温杯路过小王工位，看他正对着一篇技术文章两眼放光。
“看什么呢这么兴奋？”
“AI Agent！老李你看，现在可以让 GPT 自己调用 API，自己规划任务——”小王话音未落，老李就摆了摆手。
“不就套个壳吗？让 ChatGPT 去调个接口，就叫 Agent 了？我十年前写的 cron job，每天早上自动拉取日志、分析异常、发邮件报表——那不也是 Agent？你们年轻人，总喜欢给旧概念起新名字。”老李打开保温杯，枸杞的香气飘出来，像是在宣告经验的胜利。
小王也不急，把椅子往后一靠：“老李，你列出你今天一天做了哪些事？”
老李想了想：“看邮件，判断哪个紧急哪个能搁着；给老赵打电话聊供应链的问题；拍板把周三的上线推迟两天；然后写了两小时代码。怎么了？”
“你那个 cron job 会‘判断哪个邮件紧急’吗？会‘拍板推迟上线’吗？老李你想啊，你做的事，不是‘定时执行预定任务’，而是在不断地感知情况、做出选择、采取行动。你的脚本，只会按剧本念台词；而你本人，是个能即兴发挥的演员。这个区别，就是 Agent 和自动化的分界线。”
老李的保温杯停在了半空。
实习生小王的比喻
“我换个说法，”小王站起来在白板上画了一个小人，“假设你招了个实习生，叫小王。他刚来的时候，你给他一本标准操作手册——‘每天早上九点，去数据库拉昨天的销售数据，做成 Excel 发给我’。这就是你的 cron job，照着指令做，一步不错，一步不多。”
“但他干了一个月，开始有了自己的想法。看到数据异常，他会在邮件里标注一下；发现某个客户连续三天下滑，他会主动去查客服记录，然后跟你说‘老李，这个客户可能要流失了，要不要我约个回访？’这时候，他就从一个执行器，变成了一个有判断力的协作者。”
“Agent 就是那个有判断力的实习生。LLM 是他的大脑，你给的系统提示词是他的操作手册，他能够使用的那些 API——查数据库、发邮件、搜索文档——是他桌上的工具。而他最核心的能力，是在不确定的环境里，自己决定下一步该干什么。”
老李若有所思：“所以 Agent = LLM + 工具 + 决策循环？”
“精准。而且这个循环不是跑一次就停，是持续运行的。就像你这一天的工作——看完邮件去打电话，打完电话去拍板，拍完板去写代码。Agent 也这样，执行完一个动作，观察结果，再决定下一个动作，直到目标达成。”
图：Agent 的核心循环——感知、推理、执行、再感知
为什么说 cron job 不是 Agent
老李放下保温杯，抱起胳膊：“你说的‘决策能力’，到底是个什么技术门槛？我那个 cron job，如果加几个 if-else，不也能根据异常程度决定是否发告警吗？”
“if-else 是规则，不是推理。”小王摇头，“你的脚本能处理‘如果 CPU 超过 90% 就告警’。但它能处理‘如果 CPU 突然升高，但持续时间不到两分钟，同时上游没有发布新版本，可能是临时流量尖峰，先观察五分钟再决定告警’吗？”
老李一愣。
“规则只能穷举你事先想到的情况。Agent 能处理你没想到的情况。因为它不是匹配规则，而是用语言模型去理解上下文、做权衡判断。就像一个实习生面对一本厚厚的手册，他可以查手册，但如果手册里没写，他会根据常识去推断。if-else 是一本死手册，Agent 是会翻手册也会动脑子的人。”
老李沉默片刻：“那如果 AI 判断错了呢？”
“当然会错，就像实习生也会犯错。所以 Agent 的设计里通常会有安全边界——关键操作需要人工确认，敏感数据只读不写，每次决策都留下日志方便回溯。但这不影响它最本质的特征：能在信息不完整的情况下做出合理的选择。这是自动化脚本永远做不到的。”
四种层次的 Agent
“Agent 也分层级。”小王在玻璃上画了一个阶梯。
第一层：反射型 Agent。 “就像自动门——感应到人，就打开。它没有记忆，没有计划，只对当前输入做出反应。你的 cron job 差不多就是这个级别。”
第二层：状态型 Agent。 “有了记忆。它会记住之前发生过什么，根据历史调整行为。比如一个客服 Agent，能记住用户五分钟前说过‘我换了新手机’，后面就不会再让他验证旧设备。”
第三层：目标型 Agent。 “知道自己要达成什么目标，会自己规划步骤。比如你告诉它‘帮我把这周的技术博客写了’，它会自己去搜索资料、整理大纲、写完初稿、提醒你审阅。它不再需要你一步步告诉它怎么做。”
第四层：学习型 Agent。 “能从自己的行为结果中学习，越用越聪明。你纠正它一次‘不要把架构图叫成流程图’，它就记住了，下次不会犯同样的错。这是目前最前沿的方向。”
老李仰头看着那个阶梯，慢慢地说：“所以咱们现在用的 ChatGPT，顶多算个反射型——你问一句它答一句，没有记忆，没有主动性。”
“对。但你给它配上工具、目标和记忆，它就能爬上去。”
一个最小的 Agent：不只是调用 API
“光说不练假把式，”老李敲敲桌子，“你写一个 Agent 出来我看看。别太复杂，但要让我看出它和脚本的区别。”
小王打开笔记本，写了一个天气查询 Agent。它有一个工具：查询某个城市的天气。它能根据用户的自然语言意图，决定是直接回答还是调用工具。
import json
from openai import OpenAI
client = OpenAI()
# 定义 Agent 可以使用的工具
def get_weather(city: str) -> str:
"""查询某城市的实时天气（模拟）"""
weather_data = {"北京": "晴 25°C", "上海": "小雨 22°C", "杭州": "多云 18°C"}
return weather_data.get(city, "未知城市")
# 工具描述，让 LLM 知道怎么用
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询指定城市的天气",
"parameters": {"type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]}
}
}]
def agent_run(user_message: str) -> str:
"""Agent 主循环：推理 → 决策 → 执行工具 → 返回结果"""
messages = [{"role": "user", "content": user_message}]
# 第一次推理：LLM 决定是否需要调用工具
response = client.chat.completions.create(
model="gpt-4o", messages=messages, tools=tools, tool_choice="auto"
)
msg = response.choices[0].message
# 如果 LLM 决定调用工具
if msg.tool_calls:
tool_call = msg.tool_calls[0]
city = json.loads(tool_call.function.arguments)["city"]
weather = get_weather(city) # 执行工具
# 把工具结果发给 LLM，让它生成最终回答
messages.append(msg)
messages.append({"role": "tool", "tool_call_id": tool_call.id, "content": weather})
final_response = client.chat.completions.create(model="gpt-4o", messages=messages)
return final_response.choices[0].message.content
return msg.content # 不需要工具，直接回答
# 测试
print(agent_run("北京今天天气怎么样？"))
print(agent_run("你好，你能做什么？"))老李仔细看着这段代码，慢慢点了点头：“它自己决定了是否调用工具，而且用的是自然语言去理解用户的意图——不是正则匹配关键词。这确实和脚本不同。”
“而且你可以不断给它加工具——查日历、发邮件、搜知识库。它会在推理阶段自己判断该用哪个，按什么顺序用。这是脚本做不到的。”
原来那个脚本就是 Agent
老李把保温杯放在桌上，沉默了一会儿，突然笑了：“照你这个标准，我前年写的一个自动化运维脚本，其实就是一个简单的 Agent。”
“哦？”小王来了兴趣。
“那个脚本每天检查服务器日志，如果发现连续三次同样的报错，会自动去 Jira 建一个工单，并且@对应的负责人。它不是定时执行固定操作——它会判断报错模式、决定是否需要人工介入、然后采取行动。这不就是感知-推理-执行？”
小王一拍桌子：“老李，你那个脚本就是 Agent！它虽然没有用 LLM，但它有一套规则引擎做推理。Agent 的核心不是 LLM，而是决策闭环。LLM 只是让这个闭环能处理更复杂、更模糊的输入。”
老李看着小王屏幕上那个天气 Agent 的代码，又看看自己保温杯里沉浮的枸杞，像是在看两个不同时代的自己。
“这么说，”他缓缓开口，“你那个实习生小王的比喻，也可以用在我那个脚本上——它就是个只会看日志的实习生。而你现在要做的，是给实习生装一个能听懂人话的脑子。”
“精准。”
老李站起来，拍拍小王的肩膀：“有点意思。下周你带我把那个天气 Agent 改改，接上咱们的知识库——让实习生也能回答技术问题了。”
他走到门口，又折回来：“那什么，你刚才说的第四层——学习型 Agent，它怎么做到从错误中学习的？是不是得存经验数据？你给我找篇论文，下周分享。”
小王咧嘴笑了。老李的保温杯在夕阳下泛着光，枸杞晃晃悠悠，像是那些刚被赋予了决策能力的小程序，开始有了自己的生命。
