从聊天机器人到智能体

区分单次模型调用、预定义工作流与模型自主决定路径的智能体，并用环境反馈和停止条件验收循环。

学习目标

能解释“从聊天机器人到智能体”如何按任务不确定性选择最简单但足够的系统
能区分工作流、智能体、环境反馈、停止条件、自主性，并指出它们在请求、状态或执行边界中的位置
能固定输入，沿以下证据定位首个分叉：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态
能注入“模型在没有新环境证据时反复调用同一工具并声称任务完成”，在同一预算和权限下完成故障、恢复与重放

来源、课程编排与适用边界

“从聊天机器人到智能体”以Anthropic 公开全文《Building effective agents》为总纲，并用Anthropic《Building effective agents》核对本单元机制；工具与外部能力的角色再由MCP 官方规范交叉检查。

这不是一本具有“官方九章目录”的纸质书。平台把公开文章中的 augmented LLM、工作流、智能体、上下文和工具工程重组为 9 个教学单元；下列 72 个节点是站内课程地图，不冒充 Anthropic 原文目录。正文、代码、图表和练习均为独立教学重写，产品或模型版本变化时应重新验证。

本单元的八个课程坐标

从聊天机器人到智能体：作为“按任务不确定性选择最简单但足够的系统”的第 1 个课程坐标，必须进入正文解释、交互观察或练习证据。
单次模型调用：作为“按任务不确定性选择最简单但足够的系统”的第 2 个课程坐标，必须进入正文解释、交互观察或练习证据。
预定义工作流：作为“按任务不确定性选择最简单但足够的系统”的第 3 个课程坐标，必须进入正文解释、交互观察或练习证据。
模型自主智能体：作为“按任务不确定性选择最简单但足够的系统”的第 4 个课程坐标，必须进入正文解释、交互观察或练习证据。
环境反馈：作为“按任务不确定性选择最简单但足够的系统”的第 5 个课程坐标，必须进入正文解释、交互观察或练习证据。
工具使用：作为“按任务不确定性选择最简单但足够的系统”的第 6 个课程坐标，必须进入正文解释、交互观察或练习证据。
停止条件：作为“按任务不确定性选择最简单但足够的系统”的第 7 个课程坐标，必须进入正文解释、交互观察或练习证据。
成本与延迟权衡：作为“按任务不确定性选择最简单但足够的系统”的第 8 个课程坐标，必须进入正文解释、交互观察或练习证据。

术语与状态合同

、、、、。

本页不变量是：每一步都由可观察环境结果推进，任务完成、阻塞或预算耗尽时必须显式停止。任何“成功”结论都要保存以下证据：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态，不能把模型口头确认当作环境事实。

关键机制与可推翻实验

工作流与智能体的控制权

工作流由代码预先规定路径；智能体由模型根据中间结果决定下一步。二者都可能调用工具，真正的分界是控制流由谁决定。

动手试：给定退款、翻译与开放式排障三类任务，先写出能否预知步骤，再选择单次调用、工作流或智能体。

复杂度必须由收益证明

智能体以更多轮次、延迟和成本换取灵活性。若检索加一次模型调用已经达到验收线，继续增加自主循环只会扩大故障面。

动手试：固定同一任务集，比较一次调用、固定链和自主循环的成功率、调用次数、尾延迟与人工接管率。

环境结果才是 ground truth

模型的计划或自信不是完成证据；工具返回、代码执行、数据库状态和用户确认才是环境事实。每轮必须把新事实送回下一次决策。

动手试：让工具故意返回空结果，检查系统是否停止猜测并根据观察改计划。

停止条件约束自主性

完成条件、最大轮数、预算、权限与人工检查点共同形成边界。没有这些约束，循环可能重复调用、累计错误或产生不可逆副作用。

动手试：注入永远无结果的工具，确认系统在预算耗尽前返回明确的 blocked 状态。

先预测，再操作三类证据

分步1 / 3

1. 模型与结构边界

在“从聊天机器人到智能体”中先画出责任、数据或候选空间，再预测“按任务不确定性选择最简单但足够的系统”会在哪个节点改变结果。

聊天机器人是一问一答的直线；工作流是人事先写死、每次都走同一条的固定流程；智能体的大脑按情况自己决定下一步、可回环——这正是三者最根本的区别。

最小可运行实现

def choose_system(task):
    if task.steps_are_known:
        return "workflow" if task.is_multi_step else "single_call"
    return "agent"
 
def run_agent(task, tools, max_steps=6):
    trace = []
    for step in range(max_steps):
        decision = decide(task, trace, tools)
        if decision.kind == "final":
            return {"status": "done", "answer": decision.answer, "trace": trace}
        observation = tools[decision.tool](**decision.args)
        trace.append({"step": step, "call": decision, "observation": observation})
    return {"status": "blocked", "reason": "step_budget", "trace": trace}

这段实现只负责暴露“按任务不确定性选择最简单但足够的系统”的最小合同。交付版本还要补齐超时、日志、权限、密钥隔离和可重复评测；缺少以下证据时，代码能运行也不代表本章结论成立：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态。

小结

按任务不确定性选择单次调用、工作流或智能体
工作流由代码预编排路径，智能体由模型动态决策
复杂度必须由收益证明，不能无谓扩大故障面
环境结果才是完成证据，模型口头确认不算
停止条件约束自主性，预算与权限构成边界

练习与答案

练习

问题 1：系统边界。 怎样用最小输入证明“每一步都由可观察环境结果推进，任务完成、阻塞或预算耗尽时必须显式停止”？

问题 2：课程坐标。 从聊天机器人到智能体、单次模型调用、预定义工作流、模型自主智能体、环境反馈、工具使用、停止条件、成本与延迟权衡如何进入可操作验证？

问题 3：故障恢复。 怎样证明“模型在没有新环境证据时反复调用同一工具并声称任务完成”已经修复？

本章回顾

“从聊天机器人到智能体”的主问题是按任务不确定性选择最简单但足够的系统。
核心不变量是每一步都由可观察环境结果推进，任务完成、阻塞或预算耗尽时必须显式停止。
首要反例是模型在没有新环境证据时反复调用同一工具并声称任务完成。
最小证据包包含任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态。

名词解释

本章出现的专业名词，用大白话再讲一遍。

工作流: 由代码预先编排模型与工具调用路径的系统。在“从聊天机器人到智能体”中必须能按以下证据重新定位：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态。
智能体: 由模型根据环境反馈动态决定过程和工具使用的系统。在“从聊天机器人到智能体”中必须能按以下证据重新定位：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态。
环境反馈: 工具、执行或用户返回的可观察事实。在“从聊天机器人到智能体”中必须能按以下证据重新定位：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态。
停止条件: 完成、阻塞、轮数、预算或人工接管等退出合同。在“从聊天机器人到智能体”中必须能按以下证据重新定位：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态。
自主性: 系统在既定权限内自行选择下一步的程度。在“从聊天机器人到智能体”中必须能按以下证据重新定位：任务规格、路径选择、每轮工具输入输出、成本、停止原因与最终环境状态。

阅读导航

← 本课程起点 · 大模型：智能体的大脑 →