**AI Agent（人工智能智能体）**是能够围绕目标持续获取信息、作出决策、调用工具并依据结果调整后续行动的人工智能系统。
现代 AI Agent 通常由模型、上下文和工具组成，并通过运行框架与外部环境形成闭环。模型负责理解与决策；上下文保存当前任务所需的信息；工具提供观察世界和改变世界的接口；运行框架负责维护状态、执行循环、校验操作以及实施权限控制。
词条结构
本词条是 AI Agent 主题的入口，负责说明基本概念、整体运行方式和主要工程问题。相关子词条按基础概念、核心机制、工程实践和高级应用组织。
基础概念
AI Agent 入门介绍基本概念、任务工作方式和核心组成：
- Agent 围绕目标完成任务的工作方式；
- AI Agent 与普通聊天机器人、固定工作流的区别；
- 模型、上下文、工具和外部环境分别承担什么职责。
核心机制
Agent 核心机制说明一次任务中的信息与行动闭环：
- Agent 工具调用循环；
- 上下文如何保存任务状态和工具结果；
- Agent 如何选择行动、观察结果并决定继续或停止。
工程实践
Agent 工程实践说明模型之外的可靠运行机制：
- 工具设计与 Model Context Protocol（MCP）；
- 用户记忆、知识库与检索增强生成（RAG）；
- 权限、人工确认、错误恢复、可观测性和评测。
高级应用
Agent 高级应用涵盖观察、行动、运行时间与协作方式的扩展：
- Coding Agent、Computer Use Agent 与多模态交互；
- 长任务、异步事件和持续改进；
- 多 Agent 协作。
基本运行过程
- 接收用户目标或外部事件。
- 从环境中获得观察，并组织当前上下文。
- 由模型决定下一步行动。
- 调用工具或向用户输出结果。
- 检查执行结果，必要时继续循环，直至完成、失败或请求人工介入。
与聊天机器人和工作流的区别
聊天机器人、工作流和 Agent 都可以使用大语言模型、知识库和工具。它们的主要区别不是界面或是否使用某个模型，而是系统围绕什么目标运行，以及由谁决定下一步。
| 方面 | 聊天机器人 | 工作流 | Agent |
|---|---|---|---|
| 主要目标 | 生成当前对话回复 | 稳定执行预设过程 | 完成一个可检查的任务 |
| 路径决定者 | 通常由用户逐轮推动 | 程序预先规定步骤和分支 | 模型根据状态和观察动态选择 |
| 工具使用 | 可以使用，但路径通常较短或固定 | 按预设节点调用 | 可以在多轮中动态选择和组合 |
| 状态与反馈 | 以对话历史为主 | 保存流程节点和业务状态 | 还需保存任务进度、动作与环境观察 |
| 结束条件 | 返回一条回复 | 流程到达结束节点 | 完成、失败、超限或请求人工介入 |
| 主要风险 | 回答不准确 | 规则或分支遗漏 | 错误决策、循环或越权行动 |
三者不是绝对二分。聊天机器人加入一次搜索，并不一定成为 Agent；工作流可以把模型放在固定节点中，也可以只在局部允许 Agent 自主探索。生产系统经常使用确定性工作流规定阶段、权限和审批点，再让 Agent 在受控范围内选择具体动作。
选择架构时，应先判断执行路径能否预先写清。步骤稳定、规则明确时优先使用工作流；下一步高度依赖未知中间结果时，再引入 Agent 的动态决策。判断一个系统是否具有 Agent 特征，应观察它是否维护跨多步目标、根据环境反馈调整行动，并具有明确的完成和停止条件，而不是只看产品名称。
工程关注点
构建 Agent 不只取决于模型能力，还需要关注上下文工程、工具设计、运行编排、记忆、安全边界和评估方法。不同应用可以进一步形成 Coding Agent、Computer Use Agent、多模态 Agent和多 Agent 系统。