第 1 章：Agent 的本质
Agent 是能自主完成任务的 AI 系统，核心在于"自己做决定"而不是"你说一句它动一句"。
你跟 ChatGPT 聊过天吗？
它很聪明，几乎什么都能答。但有个问题：你说一句，它回一句。你得不停地追问、引导、复制粘贴。
我第一次意识到这个问题，是想让它帮我订机票。
我说："帮我订一张明天去上海的机票。"
它回："好的，这是一些航班信息，您可以去携程预订。"
然后就没了。
说实话，这也不全怪它。
订机票是一个有“副作用”的动作：要登录、要选航班、要填乘机人、要付款、还得确认退改规则。任何一步搞错，都是你买单。
所以在没有工具、没有权限、也没有“关键步骤要我确认”的机制时，它只能给你信息，没法替你下单。
真正的 Agent 的区别也在这里：不是更会聊天，而是系统让它能安全地做事——能用工具、能拿到授权、关键节点会停下来问你确认、全过程可追溯。
这才是 Chatbot 和 Agent 的分水岭。
1.1 Agent 到底是什么？
一句话定义
Agent 就是一个能自己干活的 AI。
更工程一点：你给它一个目标、一个工具箱和一套边界（预算 / 权限 / 审批 / 沙箱），它在循环里推进任务，直到完成或停下。
不是你喂一句它答一句，而是你告诉它一个目标，它自己想办法完成：
- 需要查资料？它自己去查
- 需要写代码？它自己去写
- 需要调 API？它自己去调
- 中间出错了？它自己修
四个核心组件
听起来像科幻片？其实没那么玄乎。核心就四样东西：
Agent = 大脑 + 手脚 + 记忆 + 主见
(LLM) (Tools) (Memory) (Autonomy)
大脑（LLM）：负责思考，决定下一步干什么。这是 Agent 的核心引擎。没有 LLM，Agent 就是个死板的脚本。
手脚（Tools）：负责执行，比如搜索网页、读写文件、调用 API、操作浏览器。LLM 只会"想"，Tools 让它能"做"。
记忆（Memory）：负责记住之前发生了什么。短期记忆是当前对话的上下文，长期记忆是跨会话的知识积累。没有记忆，Agent 每次都从零开始，效率极低。
主见（Autonomy）：这个最关键——它得自己做决定，不是你说一步它动一步。自主性是 Agent 和普通 Chatbot 的根本区别。
补一句我自己的偏见：在生产系统里，你还需要一层“护栏（Guardrails）”。它不是 Agent 的组件，但它决定 Agent 能不能上线：预算、权限、审批、审计、沙箱。没有护栏的 Agent，迟早从“自己干活”变成“自己闯祸”。
与传统软件的区别
传统软件是确定性的：给定输入 A，必然产出 B。你写一个 if-else，它永远按这个逻辑走。
Agent 是概率性的：给定输入 A，它会"思考"该怎么做，可能产出 B，也可能产出 C。每次运行的路径可能不同。
这带来了灵活性，也带来了不确定性。生产环境中，如何控制这种不确定性，是 Agent 系统设计的核心挑战之一。
传统软件: 输入 → 固定逻辑 → 输出
Agent: 输入 → LLM思考 → 工具调用 → 观察结果 → 继续思考 → ... → 输出
1.2 一个真实的例子
假设你让 Agent 做这件事：
"帮我研究一下字节跳动，写一份分析报告。"
Chatbot 的做法
ChatGPT 会给你一段它训练数据里的信息，然后说："如果需要最新信息，请自行搜索。"
完了。你得自己去搜索、整理、写报告。
Agent 的做法
一个真正的 Agent 会这样：
第一步：任务分解
用户目标: 研究字节跳动，写分析报告
子任务拆解:
├── 1. 搜索公司背景
├── 2. 查产品线和业务结构
├── 3. 分析竞争对手
├── 4. 查财务/融资信息
└── 5. 综合写报告第二步：逐个执行
[执行子任务1]
思考: 需要搜索字节跳动的背景信息
行动: 调用搜索工具，query="ByteDance company background history"
观察: 返回10条结果，包含创始人、成立时间、发展历程
思考: 信息足够，存入记忆，继续下一个任务
[执行子任务2]
思考: 需要了解产品线
行动: 调用搜索工具，query="ByteDance products TikTok Douyin"
观察: 返回产品列表和市场数据
思考: 需要更多细节
行动: 再次搜索，query="ByteDance revenue breakdown by product 2024"
观察: 找到财报分析文章
...第三步：自我检查
检查清单:
✓ 公司背景 - 已收集
✓ 产品线 - 已收集
✓ 竞争对手 - 已收集
✗ 财务信息 - 不够详细，需要补充第四步：综合输出
把所有信息整理成结构化报告，交给你。
整个过程，你只说了一句话。剩下的，它自己搞定。
这就是 Agent。
如果你觉得“研究公司”太像咨询，我给你换个更工程味的任务：
“打开 Shannon 仓库，找到 ReAct 循环的停止条件，并解释每个条件在防什么事故。”
Chatbot 往往会给你一堆“应该有的”答案；Agent 会真的打开文件、定位函数、把设计动机讲清楚。
1.3 Agent 的自主性等级
Agent 不是非黑即白的概念，而是一个谱系。我把它分成六个等级：
说明一下：下面这个 L0-L5 分级是我为了讨论方便画的一把尺子（不是学术标准）。你先用它建立直觉，后面我们会用 Shannon 的实现把每一档“落到代码上”。
| 等级 | 名称 | 你说 | 它做 | 典型例子 |
|---|---|---|---|---|
| L0 | Chatbot | 问一句 | 答一句 | ChatGPT 基础对话 |
| L1 | Tool Agent | 要查天气 | 调 API 返回结果 | GPTs 的 Actions |
| L2 | ReAct Agent | 复杂问题 | 思考→行动→观察，循环 | LangChain ReAct |
| L3 | Planning Agent | 大任务 | 先拆解计划，再逐个执行 | 本书重点 |
| L4 | Multi-Agent | 更大任务 | 多个 Agent 分工协作 | Shannon Supervisor |
| L5 | Autonomous | 模糊目标 | 长期自主运行，自我迭代 | Devin, Manus |
各等级详解
L0 - Chatbot：纯对话，没有工具调用能力。你问它天气，它只能说"我无法获取实时信息"。
L1 - Tool Agent：能调用工具，但只是简单的"你让我查，我就查"。没有多步推理。
L2 - ReAct Agent：能进行多轮"思考-行动-观察"循环。这是 Agent 的入门级形态，也是下一章的重点。
L3 - Planning Agent：能把复杂任务拆解成子任务，制定计划，然后执行。比 L2 多了"先想后做"的能力。
L4 - Multi-Agent：多个专业化的 Agent 协作。比如一个负责搜索，一个负责分析，一个负责写作。这是企业级应用的主流形态。
L5 - Autonomous：能长期自主运行，根据环境反馈调整策略，甚至自我改进。目前还没有真正可靠的 L5 Agent，Devin 和 Manus 在这个方向探索，但还不成熟。
本书覆盖范围
大多数人用的是 L0-L1。本书主要教你怎么构建 L2-L4。
L5？说实话，现在还没有真正可靠的 L5 Agent。谁说有，你可以持保留态度。
1.4 Agent 能做什么，不能做什么
我见过太多人把 Agent 捧得太高，好像它能干任何事。
不是的。
Agent 擅长的场景
| 场景特征 | 例子 | 为什么适合 |
|---|---|---|
| 目标明确 | "帮我总结这篇文章" | 有清晰的成功标准 |
| 步骤可拆解 | "按这个流程处理数据" | 可以分解成子任务 |
| 结果可验证 | "代码能跑就行" | 能判断是否完成 |
| 信息可获取 | "查一下这个公司的信息" | 有工具可以获取数据 |
| 重复性高 | "每天早上给我发简报" | 自动化价值高 |
Agent 不擅长的场景
| 场景特征 | 例子 | 为什么不适合 |
|---|---|---|
| 开放性创意 | "帮我想个颠覆性的商业模式" | 没有明确标准，难以迭代 |
| 主观判断 | "这个设计好不好看" | 需要人类审美和价值观 |
| 复杂人际 | "帮我搞定这个客户" | 涉及情商、关系、语境 |
| 高风险决策 | "帮我决定要不要投资" | 责任归属问题 |
| 不可逆副作用 | "帮我给全公司群发邮件/删掉生产库" | 一旦做错，损失不可逆 |
| 实时物理操作 | "帮我做饭" | 需要物理机器人 |
选对场景是关键
选对场景，Agent 能帮你省很多时间。选错场景，它就是个烧 Token 的机器。
很多事情不是“不能做”，而是“必须加确认点才敢做”：付款、发布、删除、群发邮件……默认都应该是人类确认，Agent 执行。
一个简单的判断方法：
如果这个任务你交给一个实习生，你能用文字清楚地告诉他怎么做，那大概率适合 Agent。 如果你自己都说不清楚"怎么算做好了"，那 Agent 也搞不定。
1.5 Agent 的技术演进
Agent 不是凭空出现的概念。它的演进有清晰的脉络：
2022 年之前：规则驱动
早期的"智能助手"（如 Siri、Alexa）本质是规则引擎 + 意图识别。用户说一句话，系统识别意图，匹配预设的规则，执行对应的动作。
用户: "明天早上7点叫我起床"
系统: 识别意图=设置闹钟，提取参数=7:00 AM，执行=创建闹钟灵活性极低，超出预设意图就无法处理。
2023 年：LLM 成为大脑
GPT-4 等大模型的出现改变了游戏规则。LLM 可以：
- 理解复杂、模糊的自然语言指令
- 进行多步推理
- 生成结构化的输出（如 JSON）
这让"用 LLM 驱动工具调用"成为可能。
2023-2024 年：ReAct 与 Function Calling
两个关键突破：
- ReAct 论文（2022）：提出"Reason + Act"的循环模式，让 LLM 边思考边行动
- Function Calling（2023）：OpenAI 等厂商原生支持工具调用，LLM 可以输出结构化的函数调用请求
这两者结合，Agent 开始变得实用。
2024-2025 年：多 Agent 与生产化
单 Agent 能力有限，多 Agent 协作成为主流。同时，企业开始关注：
- 成本控制（Token 预算）
- 安全性（沙箱执行）
- 可靠性（持久化、重试）
- 可观测性（监控、追踪）
这就是本书关注的重点：生产级 Agent 系统。
1.6 Shannon 架构概览
本书以 Shannon 作为参考实现。Shannon 是一个三层架构的多 Agent 系统：
为什么是三层？
| 层级 | 语言 | 职责 | 为什么选这个语言 |
|---|---|---|---|
| Orchestrator | Go | 编排、调度 | 并发强，适合协调多个 Agent |
| Agent Core | Rust | 执行、隔离 | 性能好，内存安全，适合边界与沙箱 |
| LLM Service | Python | 模型与工具 | 生态丰富，SDK 与工具链齐全 |
Shannon 覆盖的 Agent 等级
| 你想做的事 | Shannon 用什么模式 | 对应等级 |
|---|---|---|
| 简单问答 + 工具调用 | SimpleTask | L1 |
| 思考-行动循环 | ReAct | L2 |
| 复杂任务拆解 | DAG | L3 |
| 多 Agent 协作 | Supervisor | L4 |
不只是 Shannon
Shannon 不是唯一选择。LangGraph、CrewAI、AutoGen 都能做类似的事。但本书选 Shannon 作为参考实现，因为：
- 生产级设计：带 Temporal 持久化、Token 预算控制、WASI 沙箱
- 三层分离：职责清晰，易于理解架构
- 开源可读：代码量适中，适合学习
本书的目标是教你设计模式，不是教你用 Shannon。你完全可以用其他框架实现同样的模式。
Shannon Lab（10 分钟上手）
本节帮你在 10 分钟内把本章概念对应到 Shannon 源码。
必读（1 个文件）
docs/multi-agent-workflow-architecture.md：先看全局图，抓住 "Router/Strategy/Pattern" 三层怎么分工
选读深挖（2 个，按兴趣挑）
orchestrator_router.go：系统怎么决定"用 React / DAG / Supervisor"wasi_sandbox.rs：看护栏长什么样——沙箱如何隔离工具执行
1.7 常见误区
误区一：Agent = ChatGPT + 插件
不完全对。插件只是"工具"，Agent 的核心是自主决策循环。有工具不代表是 Agent，能自己决定"什么时候用什么工具"才是。
误区二：Agent 能替代人类
不能，至少现在不能。Agent 是增强工具，不是替代品。它能帮你处理重复性、结构化的任务，但需要人类设定目标、监督过程、验收结果。
误区三：Agent 越自主越好
不一定。自主性越高，不确定性越大。生产环境中，往往需要在"自主性"和"可控性"之间找平衡。完全自主的 Agent 可能失控；完全受控的 Agent 又失去了意义。
误区四：用最强的模型就能做好 Agent
模型能力只是基础。Agent 系统的质量取决于：
- 工具设计是否合理
- Prompt 是否清晰
- 错误处理是否完善
- 架构是否支持扩展
用 GPT-4 跑一个糟糕的 Prompt，不如用 GPT-3.5 跑一个精心设计的系统。
1.8 本章要点回顾
- Agent 定义：能自主完成任务的 AI 系统，核心是"自己做决定"
- 四个组件：大脑（LLM）+ 手脚（Tools）+ 记忆（Memory）+ 主见（Autonomy）
- 自主性等级：L0-L5，本书聚焦 L2-L4
- 适用场景：目标明确、步骤可拆解、结果可验证的任务
- Shannon 定位：三层架构的生产级多 Agent 系统，作为本书参考实现
练习（建议做完再往下读）
- 把“帮我订机票”改写成一个可执行的 Agent 目标：必须包含成功标准、需要你确认的步骤、以及“失败了怎么办”
- 用一句话写出你自己的 Agent 定义，然后在 Shannon 里为这句话找 3 个“证据文件”（比如路由、执行、护栏）
1.9 延伸阅读
- ReAct 论文：ReAct: Synergizing Reasoning and Acting in Language Models - Agent 思考-行动循环的理论基础
- Generative Agents：Generative Agents: Interactive Simulacra of Human Behavior - 斯坦福的 Agent 小镇实验
- OpenAI Function Calling：官方文档 - 工具调用的技术实现
下一章预告
你可能会问：Agent 怎么"自己干活"的？具体是怎么思考、行动、再思考的？
这就是下一章的内容——ReAct 循环。
ReAct 是 Agent 的心脏。搞懂它，你就搞懂了 Agent 最核心的运行机制。