Agent 启示录

写给计算机系大学生的 Agent 原理入门书

适合谁读

Agent 一词起源于拉丁语 agere，意思是"行动"、"去做"或"驱动"——最朴素的含义是"代替某人行动的人或实体"。一个智能系统并不只是被动地计算答案，它要感知自己所处的环境，并采取行动影响这个环境。

所以，Agent 的核心特点可以归纳为四点：感知、理解、规划、执行。其中"执行"是它和"会说话的聊天机器人"之间最关键的区别——Agent 的存在意义在于把意图变成动作。

从 2022 年底到现在，Agent 的演进可以不用按产品名背诵。更清晰的看法是：它经历了几次能力边界的扩展。

Agent 能力的四次迭代：自然语言、工具调用、工作流、生态协作

表格中提到的事件和协议在后续章节会逐步展开。第一次阅读时只需建立"能力阶段"的心智模型。

第一阶段：从命令到对话。早期人机交互更像"发命令"，你必须用系统能理解的方式表达需求——命令行、按钮、表单、配置文件，本质上都要求人适应机器。ChatGPT 之后，机器开始适应人的表达，自然语言第一次成为大规模可用的软件入口，人终于可以用自己的语言描述目标。
第二阶段：从回答到调用外部能力。只会回答问题的模型有一个明显限制，它无法直接影响外部世界。工具调用补上了这只改变世界的"手"——当模型可以调用外部能力影响环境时，它就不再只是生成文本，而是把文本变成行动，大模型也即将从会说变成会做。
第三阶段：从单步响应到任务工作流。真实任务往往不是一步完成的。系统不只是回答当前这一问，而是围绕一个目标持续推进：记录当前状态，决定下一步行动，观察执行结果，再继续调整。这一步让 Agent 开始接近真实工作中的"任务承担者"。
第四阶段：从单个助手到持续协作。当任务继续变复杂，一个 Agent 也会遇到边界。多个 Agent 开始协作、不同的 Agent 开始用通用协议交换信息和能力——它们共同的走向是让 Agent 进入更大的软件生态。

如果把上面的变化串起来，你会看到一条清晰的线：

text

LLM 让机器理解语言
工具调用让机器影响世界
工作流让机器持续推进任务
多 Agent 和协议生态让机器进入复杂协作

Agent 不会只是 LLM 的一个应用形态，而会成为 LLM 通往现实世界的入口。

但也别急着过于乐观，我们不能把 Agent 神化。Agent 的底层仍然是 LLM，而 LLM 本身有天然边界：它擅长从已有语料和上下文中归纳、重组、预测、执行，却并不天然拥有真正的创意、想象力和审美能力。

所以，Agent 的任务不是替代人的全部能力，而是替代那些可描述、可拆解、可执行、可验证的重复劳动。人类的任务，则会越来越集中在另一侧——提出值得追问的问题、想象尚不存在的可能性、判断什么是好的、重要的、美的、为技术设定方向和边界。

Agent 的终点，不是让人变得无事可做，而是让人不再被重复执行困住。

Agent（智能体）正在重塑软件开发的形态。这本书不教你怎么用某个 Agent 产品，而是想弄清楚：为什么一个能"行动"的程序会突然变得这么强大？它的内部机制是怎样的？

接下来的章节，我们以 Claude Code 为例拆解 Agent 的内部机制。选择它有两个原因：

代码与文档都开放。我们可以从第一性原理出发，而不是停留在"这个产品能做什么"的用户视角。
结构有代表性。Claude Code 的子系统（Agent Loop、工具系统、权限、记忆、上下文、多 Agent）覆盖了现代 Agent 框架的几乎所有关键设计点。

理解 Claude Code 不会让你变成 Claude Code 的高级用户，但会让你掌握一个心智框架：当你以后看到任何 Agent 系统，你都能用同样的视角去分析它。