智能体（Agent）与工具调用

智能体 = 大模型 + 循环 + 工具

普通对话里，大模型只做一件事：收到文字，输出文字。智能体（Agent）则多了一个"循环"：模型可以调用外部工具（比如查天气、查数据库、执行代码），拿到结果后再决定下一步——是直接回答用户，还是再调一次工具。

这个循环让模型不再只是"会说话"，而是能完成需要多步骤的实际任务：订机票、跑数据分析、操作浏览器。

ReAct：思考 → 行动 → 观察

最常见的智能体思路叫 ReAct（Reason + Act）。每一步模型都要明确写出"我现在在想什么"（Reason）、"我打算调用哪个工具、传入什么参数"（Act），系统执行后把结果（Observe）回填给模型，循环继续。

把思考过程显式写出来有两个好处：一是人能看到模型每一步在做什么，便于排查错误；二是思考本身可以提高最终答案的质量——相当于让它"打草稿"。

Function Calling：让结构化输出变可靠

让模型"调用工具"听起来神奇，但工程上要做的事是把可用工具的描述（名字、参数、用途）列出来交给模型，模型按 JSON 格式返回"我打算调用哪个、传什么参数"，再由程序真正执行。

这叫 Function Calling，本质上是给模型加了一个"严格按 JSON 输出"的训练目标。模型只负责"决策"，执行交给传统程序，两边各做自己擅长的事。

它什么时候有用，什么时候不行

智能体擅长任务明确、步骤有限、每次行动有清晰反馈的场景：查资料并整理成报告、按规则筛选简历、写代码并自测。

它不擅长需要长期记忆、需要主观判断、或者执行后果不可逆的任务。一次智能体循环可能烧掉几十万元的 API 费用——必须有人设置好护栏，限定它能调用的工具范围和最大步数。

今天大多数"AI Agent"产品在演示中表现亮眼，但在生产环境里仍然需要大量人工兜底。把它当成一个能干的实习生，比当成一个能独立负责的经理，更接近现状。