AI Agent 是什么，以及何时不该用

Agent 是一个系统，不是一个模型

官方课程把现代 AI Agent 描述为一组协同工作的部分。大语言模型负责理解自然语言、解释上下文并提出下一步；Agent 系统则为它接上动作、工具、知识、状态和运行边界。

一个实用的拆法是：

• 模型：解释请求并提出决策；
• 工具：读取数据或产生外部效果；
• 知识：用于支撑结论的资料；
• 状态：当前任务已经知道和做过什么；
• 编排：决定信息怎样在每一步之间流动；
• 边界：限制权限、轮数和高影响操作；
• Trace：让人能检查实际发生了什么。

没有工具的聊天机器人仍可以给出很好的文本，但它无法自行读取你的课程目录。接上工具后，它也不会自动成为一个可靠 Agent：工具契约、状态更新、错误处理和停止规则仍需要系统设计。

什么时候值得使用 Agent

Agent 更适合以下组合，而不是单一特征：

1. 问题开放：不能事先写出唯一执行路径；
2. 任务多步：后一步取决于前一步观察；
3. 需要工具：必须读取外部资料或执行动作；
4. 环境会变化：系统要根据新信息调整；
5. 完成可检查：即使路径动态，目标仍有明确边界。

相反，格式转换、固定字段校验、一次数据库查询等任务，通常用普通函数或固定工作流更清楚、更便宜、更容易测试。

“Agent 能做”不等于“应该让 Agent 做”。如果任务影响重大、步骤完全可预测，或无法定义可靠停止条件，确定性工作流往往更合适。

从愿望到目标

用户说“我想系统学 Agent”时，Agent 不应立刻输出一篇大而全的文章。它至少需要形成：

目标：系统完成 00–06
当前基础：零基础，会少量 Python
完成证据：能解释 Trace、通过实验、完成 Course Helper 里程碑
边界：不调用真实模型，不上传私人资料

目标回答“什么算完成”，状态回答“为了选择下一步，现在必须记住什么”。目标相对稳定，状态会被观察不断更新。

状态不是越多越好。只保存影响下一步的内容，并让学习者能查看、导出和删除。保存完整个人资料既无助于当前任务，也扩大了隐私与维护成本。

一个判断模板

面对新需求时，依次问：

1. 最终交付物是什么？
2. 执行路径是否必须根据中间结果改变？
3. 哪些事实不能靠模型猜，需要工具获得？
4. 哪些动作会产生外部影响？
5. 怎样证明目标已经满足？
6. 什么情况下必须暂停或交还给人？

如果答案表明路径固定，使用工作流；如果路径需要动态选择但边界不可定义，先缩小问题；只有当动态性确有价值且可治理时，再使用 Agent。

本课完成定义

你需要能为两个现实场景分别做出“用 Agent / 不用 Agent”的决定，并写出理由；还需要把 Course Helper 的模糊学习愿望转成目标、状态与停止条件。

本课依据锁定版本的AI Agent 与使用案例重构，保留其“定义、适用场景与核心构件”主线。