什么是 AI Agent 开发

要点

  • 在正式开始学习之前，我们首先要做一件最重要的事情：对 AI Agent 应用进行祛魅
  • 普通聊天模型直接给出通用建议：带手机、钥匙、钱包，看天气决定是否带伞
  • 从上面的例子可以提炼出智能体区别于普通聊天的四个核心能力
  • | 维度 | 普通 LLM 应用 | 智能体应用 |
  • 这门课程我们会以 AI 电子伴侣作为实战项目，完整经历智能体开发的各个环节

内容

1. 什么是 AI 智能体开发

在正式开始学习之前，我们首先要做一件最重要的事情：对 AI Agent 应用进行祛魅。

大多数应用层的 AI Agent 应用，本质上就是对大模型能力的一次二次扩展。过去一年，许多创业团队尝试自己部署和微调本地模型，折腾几个月后发现效果还不如直接调用 DeepSeek、GPT、Claude 等大模型的 API 接口。于是行业逐渐达成共识：不自己训练模型，而是围绕模型的 API 构建上层应用。

这意味着什么？意味着我们的工作不是让模型"变聪明"——那是 OpenAI、Anthropic、DeepSeek 等公司的事情。我们的工作是给模型补上它缺失的能力：记忆、情绪、安全、持久化、多用户管理。这些能力的实现方式，就是本专栏要教你的全部内容。

AI 智能体开发，就是让大模型不只”回答一句话”，而是围绕一个目标，主动召回上下文、调用工具、执行多步动作，最终完成任务。

普通聊天模型接收输入、生成输出，一轮结束。而智能体会在”接收输入”和”生成输出”之间，插入一系列自主决策和动作。

2. 一个例子看懂区别

用户问：

NOTE

明天出门带什么？

普通聊天模型直接给出通用建议：带手机、钥匙、钱包，看天气决定是否带伞。这些话不算错，但它完全不了解你的真实情况。

智能体不会立刻回答，它会先执行一系列动作：

// 智能体的处理流程
1. 读对话历史 → 你之前说过”明天去杭州找朋友”
 
2. 读对话历史 → 你提到过”和女朋友一起去”
 
3. 调用天气 API → 杭州明天小雨，17°C，风大
 
4. 读用户档案 → 你经常忘带充电宝
 
5. 组合上下文 → 目的地 + 同行人 + 天气 + 个人习惯
 
6. 生成回答 → 针对性的出行准备清单

最终它给出的建议可能是：

NOTE

明天去杭州有小雨，记得带伞和稍厚的外套。你之前总忘充电宝，这次别忘了。和女朋友出门，轻便双肩包比手拎方便。

区别不在于模型更聪明，而在于系统在回答前多做了几步工作。

下图直观对比了两种模式。普通聊天模型是一条直线：输入 → 模型 → 输出。而智能体在中间插入了意图判断、上下文召回等环节，并从对话历史、外部工具、长期记忆等多个来源收集信息，最终才交给 LLM 生成回复。

Drawing canvas

3. 智能体的四个核心能力

从上面的例子可以提炼出智能体区别于普通聊天的四个核心能力。下图展示了它们围绕 LLM 的整体架构关系——上下文召回负责"找信息"，工具调用负责"获取外部数据"，流程编排负责"决定执行顺序"，状态管理负责"维护中间结果"。

Canvas actions89%Exit zen mode

Drawing canvas

3.1 上下文召回

智能体需要从多个来源收集与当前问题相关的信息：

信息来源说明技术实现
对话历史当前会话中用户说过的内容短期记忆 / 滑动窗口
长期记忆跨会话保存的用户偏好和事实向量数据库 + 语义检索
外部工具实时数据（天气、日程、搜索结果）Function Calling / Tool Use
用户档案用户的个人属性和习惯结构化存储

核心问题是：为了回答这个问题，我需要补哪些信息，去哪里找？

不是所有问题都要查天气、读记忆、调工具。用户说”你今天想我了吗？”更偏情感互动，可能不需要任何工具；而”明天出门带什么？”则是典型的需要补上下文的问题。智能体的第一步是判断，而不是回答。

3.2 工具调用

大模型本身没有实时数据，也无法直接操作外部系统。智能体通过 Tool Use（工具调用） 机制，让模型自主决定何时调用哪个工具，并把返回结果纳入上下文。

常见的工具类型：

  • 数据查询：天气 API、搜索引擎、数据库查询
  • 操作执行：发消息、创建日程、写文件
  • 计算处理：代码执行、数学计算、数据分析

以上面的例子为例：对话历史里不可能有”明天杭州下不下雨”这个信息，智能体必须调用天气 API 获取实时数据，回答才能从套话变成真正有用的建议。

3.3 流程编排

当任务涉及多个步骤时，智能体需要决定执行顺序和条件分支，这就是 Agent Pipeline（编排管线）。

例如在 AI 伴侣场景中，一次对话可能触发这样的流程：

// 对话处理管线
用户消息
 
  → 意图识别
 
  → 情绪分析
 
  → 记忆检索
 
  → 是否需要工具？
 
      ├── 是 → 调用工具 → 整合结果 → 生成回复
 
      └── 否 → 直接生成回复

这种流程编排通常通过 LangGraph 这类框架实现，把每个环节定义为图中的节点，通过状态流转控制执行路径。

3.4 状态管理

智能体在多步执行过程中需要维护状态：当前处于哪个步骤、已经获取了哪些信息、下一步该做什么。

这和前端开发中的状态管理本质相同——只是管理的对象从 UI 状态变成了任务执行状态。一个对话可能跨越多轮才完成一个任务，期间的中间状态都需要被正确维护。

4. 和普通 LLM 应用的区别

维度普通 LLM 应用智能体应用
处理模式输入 → 生成 → 输出输入 → 判断 → 召回 → 调用 → 组织 → 输出
信息来源仅当前输入 + Prompt对话历史 + 长期记忆 + 外部工具 + 用户档案
工具使用无或手动集成模型自主决定是否调用
状态无状态（每次独立）有状态（跨步骤、跨会话）
典型产品翻译、摘要、单轮问答AI 助手、AI 伴侣、自动化工作流

一句话总结：普通 LLM 应用强调”生成回复”，智能体应用强调”为了完成目标而组织动作”。

5. 这门课要做什么

这门课程我们会以 AI 电子伴侣作为实战项目，完整经历智能体开发的各个环节：

  • 记忆系统：短期对话记忆 + 长期向量记忆，让伴侣真正”记住”用户
  • 情绪状态机：识别和追踪用户情绪，动态调整回复风格
  • 工具调用：天气查询、日程管理等外部能力集成
  • 流程编排：用 LangGraph 构建完整的对话处理管线
  • 工程化落地：Monorepo 架构、边缘部署、可观测性、灰度验证

下一篇，我们进入 AI 伴侣这个具体场景。你会看到，只需一段提示词就能让模型扮演角色，但从”能用”到”产品”之间，还有五道工程鸿沟等着我们去跨越。