1a · 课程概览：什么是 Agent？

Agent 不是“更聪明的模型”，而是模型、循环、工具与环境组成的系统。

5 分钟4 个概念对应详细讲义 全文

先记住

• 经典定义仍然成立：通过传感器感知环境，通过执行器作用于环境。今天只是传感器变成文件、网页、截图，执行器变成 shell、编辑器和鼠标键盘。
• 工具调用就是 token：模型生成“工具名 + 参数”的 token 序列，harness 解析、执行，再把 observation 塞回上下文。
• 六项能力、两条路线：工具调用、长上下文、可定制、任务管理、环境理解、安全；每一项都可以用训练或 harness 工程解决。

核心机制

一次决策的输入只有四块：Context（系统提示）、Task（用户请求）、Tools（工具定义）、History（此前的动作与观测）。模型输出 reasoning 加 tool call，环境返回 observation，历史继续增长：

$$a_t \sim \pi_\theta(\cdot \mid \tau_t), \qquad o_{t+1} = E(a_t), \qquad \tau_{t+1} = \tau_t \oplus (a_t, o_{t+1})$$

循环本身可以不到二十行；真正决定成败的是循环周围的事：上下文怎么截断、工具怎么描述、错误怎么重试、什么时候停。

Context + Task固定指令与本次任务

Toolsschema 进入 prompt

Modelreasoning + tool call

Environment执行并返回 observation

History结果回填，进入下一轮

最容易错的地方

• 把自主性当二元开关。 真实设计是“完全自主 / 先问再做 / 永远别碰”的分级，按影响、频率与可逆性决定。
• 把 agent 等同于模型。 同一个模型换 harness、沙箱与评测，表现可以差一个量级。
• 忘记设计终止条件。 “结束”也应该是一个显式动作，否则只能靠 token 预算硬截断。

30 秒自测

1. 为什么说“tool call 只是 token”？这对工程有什么影响？

答案

模型不是在调用一个结构化 API，而是在续写一段带特殊标记的文本。因此工具格式必须被训练进模型，解析器也不能跨模型复用；换模型往往要换模板与解析逻辑。

2. 六项能力中，哪一项最容易被低估？

答案

环境理解。GUI、时序、实验图像等观测形态与文本差异很大，需要匹配形态的数据与领域环境；很多失败不是“不会推理”，而是“没看懂环境”。