最近在学 Datawhale 出的开源教程《Hello Agents》，感觉特别适合像我这样刚入门 agent应用开发的开发者。这篇笔记是我对第一章《初识智能体》的整理与理解，希望能帮自己理清思路，以后更好的进行回顾。
一、智能体到底是什么？
“智能体（Agent）”这个词很多人一开始听得有点懵，但这里可以举个形象的例子：
智能体就像一个能自己思考、感知、行动的“数字”。
它不是一个单纯的聊天机器人，而是一个能感知环境、制定计划、执行任务的系统。
比如一个AI助手可以：
读取用户输入（感知），
判断任务目标（思考），
然后去调用搜索、数据库或别的工具完成任务（行动）。
如果需要对上述的知识进行一个总结，我觉得就是这个公式：Agent = 感知 + 思考 + 行动。
二、为什么现在智能体这么火？
关键点是——大语言模型（LLM）让智能体“有了大脑”。
以前的智能体只能基于工程师的先验知识执行预设指令，现在的智能体能“理解语义”，甚至“规划多步任务”。
这就是为什么大家现在热衷研究 LLM Agent，因为它让 AI 从“被动工具”变成了“主动助手”。
三、智能体的基本组成
环境（Environment）：Agent 生活的世界，比如网页、文件系统、数据库。
感知（Perception）：Agent 从环境中获取信息。
决策（Decision Making）：Agent 用语言模型或算法来“想办法”。
行动（Action）：Agent 执行计划，比如调用 API、写文件、发消息。
有点像我们人类的思考过程——眼睛看（感知）、大脑想（决策）、手去做（行动）。
四、LLM 智能体的典型架构
LLM（大语言模型）：作为 Agent 的“核心大脑”，负责理解和推理。
工具（Tools）：让 Agent 具备操作能力，比如搜索、计算、联网等。
记忆（Memory）：保存对话和任务的历史信息，让 Agent 能“记住”上下文。
计划器（Planner）：帮助 Agent 制定多步执行计划。
五、智能体 vs 普通应用
普通应用是规则驱动的（程序员写死逻辑）。
智能体是目标驱动的（AI 自己决定怎么做）。
这让我想到未来软件的形态可能会完全不同：我们不是教机器“怎么做”，而是告诉它“要做什么”，然后它自己去想办法。
🧩 小结与思考
LLM 让这种智能体变得更自然、更强大，这也许正是下一波 AI 应用创新的起点。我本身在做Agent+硬件，
我期望着，Agent与物理世界的联系会越来越紧密。
评论