本部分从笔者的实际使用案例来介绍Agent的概念，搭配上一些图例。

一、智能体Agent的概念

Agent是人工智能中的一个核心概念。指能够感知环境、自主决策并采取行动的实体。

Agent可以是一段程序、一个机器人，甚至一个生物实体。例如，典型的“对话式Agent”如 ChatGPT 和 DeepSeek，都是通过复杂算法和模型训练出来的。

二、常见的Agent

为了方便理解，将当今主流的Agent按「规划执行类」与「直接行动类」进行划分。

#1. 规划执行类

「规划执行类」Agent的典型特征是：

• 处理复杂任务时表现出 目标分解 和 长期规划（如 ChatGPT 写论文时会先列大纲再填充内容）。
• 依赖 外部工具扩展能力边界（如自动驾驶调用高精地图修正路径）。

举两个栗子：

ChatGPT（高级模式）	1. 理解问题 → 2. 规划回答结构 → 3. 联网搜索或调用插件 → 4. 综合生成答案	浏览器插件、Python 解释器、DALL·E 图像生成
自动驾驶（决策模块）	1. 感知环境 → 2. 预测交通参与者行为 → 3. 生成多条路径 → 4. 选择最优解	激光雷达数据处理、高精地图 API、控制信号输出

再举个实际案例，笔者前几天部署的gpt-oss在聊天时就会先写大纲，如下图所示：

由上图可以看到，在每个模型输出前都先生成一段用户看不见的大纲（正常使用时不会出现）。即表现出 目标分解和 长期规划。另外gpt-oss能够调用 外部工具 ，如支持函数调用与浏览网页搜集信息。

#2. 直接行动类

「直接行动类」Agent的典型特征是：

• 低延迟、及时响应。

举两个栗子：

游戏 NPC（简单对手）	1. 检测玩家位置 → 2. 直接攻击或逃跑（无多步策略）	移动、攻击动画播放、伤害计算
语音助手（基础问答）	1. 识别语音指令 → 2. 直接返回预设答案（如天气查询）	数据库查询、TTS 语音合成

再举个实际案例，笔者昨天（20250812）在LOL日服创建了一个新号。开始「快速匹配」对局后，第1-2把必定是人机局。而这些人机有自己的昵称，并且笔者每隔一周去创建一次信号，人机的对局能力都会有质的提升。所以，当今的游戏人机正逐渐脱离“只会机械指令的简单对手”范畴。

三、Agent SDK（开发套件）的概念

Agent 开发套件是一套工具集合，旨在加速 Agent 应用的开发和部署。典型的 SDK 包括以下组件：

• API 集成：帮助开发者快速连接不同服务。
• 工具库：提供现成的功能模块，如自然语言处理库。
• 开发框架：为构建、测试和发布智能体提供标准化流程。

这种开发套件降低了使用门槛，加快了各种行业中智能体的创新和应用。

以下是主流的 Agent SDK：

SDK	特点	适用场景
OpenAI Agents SDK	轻量级、Python 优先，内置代理循环和交接机制	多步骤任务自动化、客户支持
Google ADK	支持多模型（Gemini、第三方），集成谷歌云工具	跨平台语音/视频代理
Strands Agents	亚马逊云生态集成，支持 LiteLLM 和国产模型（如 DeepSeek）	云原生 AI 应用开发

笔者只用过 OpenAI Agents SDK 哈哈，基于Python快速开发的话推荐这个。

四、Agent与LLM的现存问题与展望

幻觉问题。即模型生成的输出尽管看上去正确且可信，但实际上是错误的或无中生有的信息。这是由于语言学习和信息搜集的一些局限，出现类似“已读乱回”的情况。

举个实际栗子，笔者在2025.8.11基于 Docker-compose 部署 mongodb 时，配置了副本集与key文件认证。然后报错 error opening file: /data/mongodb.key: bad file 。针对这个问题，我用了时下最常用的模型DeepSeek｜GPT4o。LLM反复给我错误的信息，如下图所示：

可以看到，密钥文件的权限设置是错误的，应当加上 chown 999 mongo-keyfile。

为了应对该挑战，未来的方法集中于：

1. 增强事实核查：将 LLM 与外部知识库或事实核查系统结合，以验证生成内容的准确性。
2. 模型训练改进：持续更新和扩展训练数据，改进模型网络结构，以减少产生幻觉的可能性。

到底咯，如果这篇文章对您有些许帮助，请帮忙点个赞👍或收个藏📃。您的支持是我继续创作的动力💪！

---

当暴风雨⚡️过去，你不会记得自己是如何度过的，你甚至不确定暴风雨是否真的结束了。但你已经不再是当初走进暴风雨的那个人了，这就是暴风雨的意义💪。