什么是智能体：从传统视角到大模型新范式

一句话概要：智能体是能感知环境、自主行动并达成目标的实体；理解它的最好方式，是沿着传统智能体的五级演进阶梯往上走，再看大语言模型把哪一层换掉了。

本章要点

一、定义与四要素

人工智能领域把智能体定义为：任何能够通过传感器感知其所处环境，并自主地通过执行器采取行动以达成特定目标的实体。四个要素缺一不可——环境是它所处的外部世界，传感器负责感知，执行器负责行动，自主性则是真正让它称得上「智能」的那一环。感知之后不行动只是监控，没有自主性只是自动化脚本。

二、传统智能体的五级阶梯

这条从简单到复杂的演进路线，本身就是最经典的分类阶梯：

• 简单反射智能体——工程师写死的条件与动作规则，如自动恒温器，可靠但没有记忆；
• 基于模型的反射智能体——引入内部世界模型，追踪无法直接感知的状态，如隧道中仍记得前车的自动驾驶；
• 基于目标的智能体——有预见性地选择导向未来状态的行动，如用搜索算法规划路径的导航系统；
• 基于效用的智能体——给每个世界状态赋予效用值，在冲突目标之间做权衡，追求最大化期望效用；
• 学习型智能体——不依赖人类先验知识，通过与环境互动自主学习，强化学习是其代表性路径。

三、大语言模型带来的范式切换

传统智能体的能力来自工程师的显式编程，行为确定且有边界；大语言模型驱动的智能体则在海量数据预训练中获得了隐式的世界模型和涌现能力。差异体现在三个能力上：规划与推理、工具使用、动态修正。智能旅行助手接到「规划一次厦门之旅」这类模糊指令时，会自主分解子任务、调用天气接口补全信息缺口、并把用户反馈当作新约束重排方案。

四、三个互补的分类维度

• 内部决策架构：即上述五级阶梯；
• 时间与反应性：反应式智能体延迟极低但短视，规划式智能体有远见但时间成本高，混合式智能体在「思考—行动—观察」循环中把两者结合；
• 知识表示：符号主义透明可解释但脆弱，亚符号主义模式识别强但不透明，神经符号主义试图融合两者——大语言模型智能体正是它的实践范例。

五、代价与边界

判断一个场景该不该上智能体，可以顺着四个问题问下去：任务边界是否清晰、规则是否稳定，如果是，传统脚本更划算；对结果的可解释性是否有硬性要求，如果是，符号主义的显式规则更合适；延迟预算是否极紧，如果要求在毫秒级响应，就不该指望需要深思熟虑的规划式系统；容错成本是否高到无法兜底，如果一次错误就造成不可逆损失，先加一层校验或回滚，否则先别上。

六、带走的判断清单

判断是不是智能体，看四要素——环境、传感器、执行器、自主性；理解传统智能体，沿五级阶梯往上走，每一级解决的都是前一级回答不了的问题；理解新范式，抓住规划与推理、工具使用、动态修正三个关键词；给智能体分类，用内部决策架构、时间与反应性、知识表示三个互补维度。最后一条最重要：先问该不该上，再问怎么上。

音频章节时间戳

时间	章节
00:00	开场
01:07	一个定义，四个要素
02:41	传统智能体的五级阶梯
06:16	大语言模型带来的范式切换
08:31	分类维度之一 时间与反应性
11:25	分类维度之二 知识表示
14:32	代价与边界 什么时候不该上智能体
15:51	收尾 · 判断清单

总时长 17 分 22 秒。

原书对应小节

Datawhale《Hello-Agents：从零开始构建智能体》第一章「初识智能体」，第 1.1 节「什么是智能体？」，含 1.1.1 传统视角下的智能体、1.1.2 大语言模型驱动的新范式、1.1.3 智能体的类型。

更完整的图文内容请直接阅读原书，本页仅为音频配套要点。

授权

本内容改编自 Datawhale《Hello-Agents：从零开始构建智能体》，采用 CC BY-NC-SA 4.0 授权，为二次演绎配音版。