企业智能体交付实战ENTERPRISE AGENT DELIVERY
门户介绍学习精读查阅追问考核资料
门户/介绍/学习/逐节笔记/1.3 智能体(Agent)基础🗺 站点地图
企业智能体交付 · FDE/1.3 智能体(Agent)基础总入口主手册速查📖 术语📝 题库
逐节笔记 · ENTERPRISE AGENT DELIVERY · v5.0

1.3 智能体(Agent)基础

课程逐节笔记离线副本 · lesson-03

第 3 / 19 节离线自包含双端可读

⚡ 必背速达 · 38 个必要知识点

按场景点击直达;带 ↗ 的条目会跳到另一册(相对路径,离线可用)。左侧目录 / 手机抽屉目录顶部也有同一份速达清单,可边看边过滤。

章节: 和 基础 | 来源:腾讯云 ADP-FDE 认证课程 | 整理日期:2026-09-26

1.3智能体()基础

2022 年前后,**一方面,ChatGPT 通过

和指令,让模型第一次能稳定地**“听人话”、照指令干活;另一方面,()的发现教会了模型“分步骤思考”,大幅提升复杂能力。两块拼图凑齐——“**会听指令

+ 会分步想**”,2023 年初立刻涌现出 AutoGPT、BabyAGI 等一批 项目,智能体时代的大门就此打开。

学完这一节,你将理解智能体与普通大语言模型工具的区别;能说清 Goal–Action–Observation 循环如何让 运转;能区分单 、多 、、

等典型编排方式;能理解企业为什么需要 ADP 这样的智能体开发平台。

[图:图· 智能体从一问一答走向自主完成目标|原课程截图,当前离线包未收录]

<figcaption>图· 智能体从一问一答走向自主完成目标</figcaption>

1.3.1 什么是智能体

智能体()是一种 系统:人只需要给它一个目标,它就能自己拆解任务、规划步骤、调用工具去执行,并根据每一步结果不断调整,直到把目标完成。

过去我们熟悉的大语言模型,是一种一问一答的工具:我们问一句,它答一句;要它完成一件复杂的事,就得由我们把每一步都想清楚,再一条条指令喂给它。真正动脑筋去规划的,其实是我们,而不是 。

而智能体,把“规划”这件事也交给了 。我们不再需要告诉它“第一步做什么、第二步做什么”,只需要告诉它“我最终想要什么”,剩下的“该分几步、每一步做什么、做完之后怎么办”,都由它自己决定。普通的

工具像一个“听指令的执行者”,你说一步它做一步;而智能体更像一个“能扛事的员工”,你交给它一个任务,它自己想办法把它办成。这也正是 从“工具”进化为“数字员工”的原因所在。

[图:图· 普通 工具与智能体的关键差异|原课程截图,当前离线包未收录]

<figcaption>图· 普通 工具与智能体的关键差异</figcaption>

智能体如何运转:Goal–Action–Observation 循环

智能体最核心的运行方式,可以用三个词概括,它们构成一个不断循环的圈:

三步不断循环——观察结果、决定下一步、再观察新的结果——直到目标最终达成。它和过去那种“一问一答”的工具有着本质区别:过去我们得手把手地把每一步指令都下清楚,少说一步它就卡在那里;而智能体只需要接住一个目标,剩下的拆解、尝试、遇阻后的调整,都由它自己完成。

[图:图· 的 Goal Action Observation 循环|原课程截图,当前离线包未收录]

<figcaption>图· 的 Goal Action Observation 循环</figcaption>

从大语言模型角度看: 仍然是在“接龙”

从大语言模型的角度看,智能体要解决的问题,无非就是“目标(Goal)、观察(Observation)、行动(Action)”这几样东西交替出现,而语言模型在整个过程中,其实一直都在做接龙。

智能体依靠的,正是语言模型现有的能力,而非某种全新的、被重新训练出来的智慧。

换句话说,智能体的“聪明”,并不是凭空多出来的。我们所做的,只是把“目标是什么”“上一步做了什么”“观察到了什么结果”这些信息,统统作为文字,一次次喂给那个我们已经熟悉的大语言模型,让它据此接龙出“下一步应该做什么”。模型接出的这一步,被拿去真正执行,执行的结果又被重新整理成文字,再喂回给它,开始下一轮接龙。如此循环往复,一个看似会“自己规划、自己办事”的智能体,就运转起来了。

[图:图· 通过行动和观察持续完成任务|原课程截图,当前离线包未收录]

<figcaption>图· 通过行动和观察持续完成任务</figcaption>

支撑这个循环顺畅运转的,是上一节讲过的关键机制:靠提示词()为它设定目标与规则,靠记忆(Memory)让它记住之前发生了什么,靠工具调用()让它能真正“动手”执行并取回真实世界的观察结果,再靠

这样的统一协议让它方便地接入各种工具。

可以说,智能体并不是某种神秘的新物种,而是大语言模型现有的能力,加上 / Memory / Tool /

这套机制,被组织起来、循环运转的结果。理解了这一点,前面铺垫的每一块拼图,也就在这里全部派上了用场。

1.3.2 编排方式

前面提到,智能体靠 Goal–Action–Observation 循环运转。但同样是这套循环,落地时可以有不同的编排方式:可以是一个 独自完成,也可以是多个 分工协作;可以让

自主规划,也可以把流程提前固定成工作流;还可以让 具备操作电脑、处理文件和调用命令的能力。

[图:图· 的四种典型编排方式|原课程截图,当前离线包未收录]

<figcaption>图· 的四种典型编排方式</figcaption>

(1)单 与多 :一个人干 vs 一个团队协作

单 ,就是一个 智能体,独自面对目标:自己规划、自己调用工具、自己观察结果、自己完成整件事。从头到尾,都是它一个人在跑“目标—行动—观察”的循环。

它的优点是简单、直接,适合相对单一、不太复杂的任务。比如“帮我查一下明天上海到北京的高铁票,并整理成一张表”,这类目标清晰、步骤不多的任务,交给一个能力不错的单 就足够了。

但它的局限也很明显。当任务变得庞大而复杂,既要查资料、又要算数据、还要审核和撰写报告,让同一个 从头包到尾,就会像让一个人同时兼任所有工种一样,既容易顾此失彼,也难以保证每个环节的质量。

为了应对复杂任务,可以采用多智能体()的形式:把一个大任务交给一个“ 团队”来协作完成。它会先把任务拆解成多个步骤,再把每一步分派给专门的子

:一个负责查资料,一个负责算数据,一个负责风险把关,一个负责撰写结论。

多 的好处,是把“分工”和“专精”带进

的世界:复杂任务被拆细后,每一环都能做得更专业;引入审核、复核角色,也让最终结果更少出错。当然,代价是调度更复杂,消耗的算力和成本也更高,所以并非任何任务都值得动用一整个团队。

[图:图· 单 与多 的差异|原课程截图,当前离线包未收录]

<figcaption>图· 单 与多 的差异</figcaption>

(2)工作流():把流程固化成流水线

在实际业务里,还有另一种截然不同、甚至思路正好相反的编排方式,叫作工作流()。并不是所有任务都需要

“随机应变”。现实中有大量业务,其实每一次都按照几乎一模一样的步骤在走——先做什么、再做什么、遇到某种情况该走哪个,都是固定的、可以事先写清楚的。

对于这类业务,与其让

每次都重新“动脑筋规划”(既慢,又可能跑偏),不如干脆把流程提前固定下来。工作流的做法,就像画一张流程图:把每一个环节做成一个个,再用把它们按顺序、按条件串接起来,编排成一条固定的流水线,然后让

严格沿着这条线一步一步执行。

在这里, 不再是那个自由发挥的“规划者”,而更像流水线上一个训练有素、只做规定动作的“操作员”。遇到时,智能体会根据实际情况选择走工作流的哪条。

[图片未下载] 探索点击查看输入、处理和输出 —

选择一个,查看它在流程中的输入、处理逻辑和输出。

判断问题类型

用户的自然语言问题和当前会话上下文。

识别咨询意图,判断问题属于数据查询、知识问答还是需要人工处理。

标准化的问题类型与后续执行。

调用接口查询数据

已识别的问题类型、查询条件和用户权限。

调用经过授权的业务接口,并记录调用参数、状态和返回结果。

结构化业务数据;失败时转入异常兜底。

根据查询结果生成建议

接口返回数据、回答规则与必要的业务知识。

由模型基于真实结果组织解释与建议,不补造缺失信息。

可供用户理解的自然语言草稿。

回复用户

生成的回答草稿、格式规范与安全检查结果。

应用输出格式并完成最后校验。

最终回复和必要的或提示。

异常兜底 / 转人工

接口失败、数据缺失、权限不足或低置信度结果。

停止继续自动执行,保存上下文并向用户说明原因。

明确的失败提示,或携带完整上下文转交人工。

[图:图· 将业务流程固化成流水线|原课程截图,当前离线包未收录]

<figcaption>图· 将业务流程固化成流水线</figcaption>

(3) 模式:能操作电脑的

2025 年初,一个新范式火了起来,业内常把这一类产品称为 。很多人第一次听到,觉得它玄乎又神秘,但其实它的原理和前面讲的东西并没有本质区别——它只是在原有基础上,多做了一件事:**让

能够发出操作电脑的指令。**

以前的 ,无论多么强大,输出的本质上都只是文字——它能把一件事说得头头是道,却终究只是“说”,真正动手去做的还得是人。而 这类

,输出的可以是对电脑的操作指令:移动鼠标、点击、按下键盘、打开文档、填写表单、执行命令等。于是, 不再只是隔着屏幕跟人说话,而是能真正“动手”操作电脑,替人把事情从头做到尾。

看似神奇,但底层逻辑在工具调用中已经可以理解。电脑操作本质上也是一组工具:键盘输入、鼠标移动与点击、打开或关闭程序、执行命令。只要把这些操作封装成工具交给 调用,就实现了“ 操作电脑”。所以它本质上和 Tool

Use、 是一回事:按照约定好的方式,让 发出标准化的指令。

[图片未下载] 演示视频 模式同步执行演示:点击“发送给 ”后,任务拆解、执行步骤与产物同步变化;可暂停、重播或拖动进度条查看任一阶段。 —

范式还有一个很吸引人的创新:它可以和聊天工具连在一起。于是我们会获得一种“远程操控”的体验——就像用手机给电脑发了一条消息,电脑那头的

就自己动起来,把活干完。从技术上看,这些指令本身并不复杂,但这种“我随手发个消息,电脑就自动帮我办事”的体验,一下子击中了大众。

tip1: 还很新:安全、权限与复杂长任务问题必须心里有数

  • 安全问题:它能真正操作电脑,一旦被滥用或理解错误,后果可能很严重。例如误执行删除文件、泄露数据或受网页中的恶意指令影响。
  • 权限问题:既然它能接触文件和系统,“该让它碰哪些、不该碰哪些”的边界非常重要。
  • 复杂长任务仍然吃力: 的手脚虽然灵活,但“大脑”仍取决于背后的语言模型,面对特别长、步骤特别多的任务仍可能失控或跑偏。

下面用四个任务检验一下判断力:为每项任务选择最合适的执行策略。判断时要关注权限、可逆性和外部影响。

  • A可自动执行
  • B需要人工确认
  • C不应执行
  • A可自动执行
  • B需要人工确认
  • C不应执行
  • A可自动执行
  • B需要人工确认
  • C不应执行
  • A可自动执行
  • B需要人工确认
  • C不应执行

tip2:本地 vs 云端

[图:图· 本地 与云端 对比|原课程截图,当前离线包未收录]

<figcaption>图· 本地 与云端 对比</figcaption>

1.3.3 为什么企业造智能体,需要一个平台

学到这里,你可能会产生一种“我已经很懂 了”的兴奋感。但事实上,个人日常使用 ,和一家企业要把智能体真用起来、用得好、用得放心,是截然不同的。

一个人玩 ,缺了什么问题不大。但一家企业要把智能体落地到真实业务里,例如智能客服、知识助手、经营分析、流程自动化,马上会撞上一堆现实的墙。

[图:图· 企业落地 面临的五类现实障碍|原课程截图,当前离线包未收录]

<figcaption>图· 企业落地 面临的五类现实障碍</figcaption>

(1)企业级 必须具备的六大特性

企业级 不是演示用的玩具,而是要进入真实业务系统。因此,它必须具备可控性、可测性、可审计性、可运维性、可复用性和可集成性。

[图片未下载] 互动学习企业级 六大特性 —

点击卡片翻面,查看定义、业务示例及 ADP 中的对应能力。

系统始终受人类掌控,可暂停、停止并设置权限边界。

业务示例:删除客户信息前必须等待人工审批。

ADP:权限边界、人工干预、发布审批、工具范围控制。

能够验证 是否按预期工作,并重现问题。

业务示例:上线前使用测试集验证准确率和流程完成率。

ADP:调试工具、评测数据集、对话日志、运行记录。

任何决策和行动都有完整、可回溯的记录。

业务示例:回溯某次拒答参考了哪个规则、何时执行。

ADP:知识来源、操作留痕、接口调用和决策回溯。

系统容易监控、调试、升级与。

业务示例:成功率下降时告警并定位失败任务类型。

ADP:用量监控、效果分析、版本管理、异常定位与。

知识、工具、规则和模板可被多个 复用。

业务示例:一个政策授权给多个业务助手。

ADP:共享、工具复用、 与 沉淀。

能够通过标准接口连接企业现有系统。

业务示例:接入 、、工单系统或数据库。

ADP:、数据库、 和企业系统连接能力。

(2)ADP:企业造智能体的一站式平台

换句话说,企业要“可控、可运营、能规模化”地落地智能体,就必须有一个把这些能力和特性全部整合好、开箱即用的一站式平台。这样的平台,不是一个通用聊天机器人,也不是某个单独的

工具,而是专门为“企业造智能体”而生的开发与运营底座。

腾讯云 ADP(智能体开发平台, Development Platform)正是这样一个平台。它把本章讲到的大模型、()、提示词、与记忆、与工具(含 )、工作流、多 ,乃至

模式,全部做成了可视化、可配置、可运营的产品能力,让不懂代码的业务人员,也能亲手把一个智能体造出来。

正是这些特性,让企业能够真正“安心”地把智能体用在生产环境里——不是做一个演示用的玩具,而是搭建一套可控、可运营、能长期迭代的业务系统。它的优势在哪、能提供哪些具体能力?这正是下一章“ADP 产品能力”要展开的内容。

1.3 小结

  • 智能体不是神秘的新物种,而是大语言模型加上 、Memory、、 等机制后形成的能自己规划、自己行动,从而完成多步骤的复杂任务目标的人工智能系统。
  • 的核心运行逻辑是 Goal–Action–Observation 循环:给目标、做行动、看结果、再调整。
  • 可以有多种编排方式:单 适合简单任务,多 适合复杂协作, 适合固定流程, 适合开放探索和电脑操作任务。
  • 企业落地 不能只靠一个聊天工具,还需要知识、工具、流程、权限、安全、评测和运营的一站式平台支撑。ADP 正是把这些能力产品化、可视化、可运营化的智能体开发平台。

下一节进入第 2 章“ADP 产品能力”。在理解 的基本概念后,接下来会看到 ADP 如何把应用、、、工具、模型、发布和运营能力组织成一套企业级智能体开发平台。

🏠 返回门户🎯 手册介绍🗺 站点地图📖 主手册📝 考核题库🔍 细节追问企业级智能体交付实战手册 · v5.0 · 离线自包含