Agent：大模型怎样循环做事？

核心问题

Agent 和普通聊天机器人有什么区别？普通聊天通常是一问一答：用户问，模型答。Agent 则围绕一个目标反复推进：思考下一步、采取行动、观察结果、再决定下一步，直到目标完成、失败或需要人类介入。

Agent 的关键不在于名字高级，而在于它形成了执行闭环。

先建立直觉

如果你说“帮我查今天北京天气，并根据天气推荐穿搭”，普通模型可能凭印象回答。更像 Agent 的系统会先判断需要查实时天气，然后调用天气工具，拿到结果后再给建议。如果结果不完整，它可能继续查空气质量；如果工具失败，它应该说明失败，而不是编造天气。

这个过程像一个谨慎的助理：不是一次性说完，而是边做边看结果，必要时调整路线。

概念拆解

一个最小 Agent 闭环包含五个元素。

第一是目标：用户到底想完成什么。第二是思考：下一步应该直接回答、查资料、调用工具，还是请求用户补充。第三是行动：系统执行工具或步骤。第四是观察：把工具结果、错误信息或环境变化交回模型。第五是停止：判断目标是否达成，或者是否必须让人接管。

很多文章会把 Agent 讲得很复杂，比如长期记忆、计划树、多智能体协作、自我反思。但入门阶段先抓住最小闭环就够了：模型负责决策，工具负责执行，观察结果回到模型。

互动理解

下面的闭环组件会一步步推进 Agent 的执行过程。重点看它什么时候行动，什么时候观察，什么时候停止。

常见误区

第一个误区是把 Agent 当成完全自动员工。Agent 可以自动推进一些步骤，但不应该在没有边界的情况下执行高风险操作。

第二个误区是认为循环越多越聪明。没有停止条件的循环会浪费成本、重复调用工具，甚至越做越偏。

第三个误区是忽略观察结果。Agent 的价值来自根据工具反馈调整下一步。如果它不检查结果，只是连续调用工具，就不是可靠执行。

实用方法

设计或使用 Agent 时，可以先问五个问题。

目标是否明确？可用工具有哪些？每个工具的权限边界是什么？什么情况下必须停下来问人？失败后怎样报告，而不是伪装成功？

对于普通人，最稳妥的方式是先把 Agent 用在低风险、可复核、可撤销的任务上，例如整理资料、生成草稿、查询信息、准备清单。涉及发邮件、付款、删除、审批、医疗法律建议等操作时，必须有人类确认。

自我检查

一个任务是否适合交给 Agent，可以用“闭环是否清楚”来判断。目标是否能明确定义？工具结果是否可观察？完成条件是否明确？失败后是否能安全停止？如果这些问题回答不上来，就不适合让 Agent 长时间自动运行。

比如“帮我整理 10 篇文章并生成摘要”适合，因为资料、输出和停止条件都清楚；“帮我把这个项目推进到成功”就太模糊，Agent 很容易目标漂移。

真实场景

一个研究 Agent 可以按步骤搜索资料、筛选来源、生成摘要、列出引用，这类任务可观察、可复核、失败成本低。一个“自动运营公司账号”的 Agent 风险就高得多，因为它可能发布内容、回复用户、影响品牌。两者都叫 Agent，但边界完全不同。

所以评估 Agent 时，不要只看演示是否炫酷，要看它有没有清楚的完成条件和人工接管点。

一个实用原则是：先让 Agent 做“建议型闭环”，再逐步开放“执行型闭环”。建议型闭环输出清单、草稿和分析；执行型闭环会真实改变外部系统。后者必须更谨慎。

如果建议型闭环都不稳定，就不要急着让它自动执行。先观察它是否能正确理解目标、是否会按依据说话、是否能在失败时停下。稳定性要在低风险阶段验证。

Agent 的成熟度，不看它能跑多少步，而看它能不能在该停的时候停下，在不确定时问人，在失败时如实报告。

这也是为什么很多实际 Agent 产品会先从窄场景做起。任务越窄，目标越清晰，工具越少，越容易验证闭环是否可靠。宽泛目标可以作为愿景，但不适合作为第一版自动化范围。

从窄任务开始，不是保守，而是让能力和风险都能被看见。

看得见，才谈得上扩大范围。

延伸阅读

• Agent 的工具来自工具调用机制——先理解第 17 章：工具调用再看 Agent 闭环会更清楚
• Agent 的能力越强，失控风险越大——第 19 章：Agent 为什么会失控是理解 Agent 治理的必读章节

一句话总结

Agent 的核心不是会聊天，而是围绕目标进行“思考、行动、观察、再决策”的闭环，并在合适的时候停止。