认识AI Agent
它不是一个软件,是一种干活的安排。
Agent 不是某个软件的名字。你给它一个目标,它自己拆步骤、挑工具、看结果再改下一步, 这一整套东西合起来才叫 Agent。模型只是其中一块,光有模型,它连你磁盘上的一个文件都动不了。
Agent的组成
一个能干活的 Agent 不是单个语言模型,更像一个数字员工:模型负责出主意,外头那层框架把流程管住, 这两块是底座;MCP Server 和 Skill 是之后另外接的扩展,一般用于某个具体的任务执行。
点任意一块,看它在 Agent 里管什么、举个例子。
底座
大脑,只负责想。它是调用时的那串模型id,换一个 id 就是换一个脑子。读你那句话、结合上下文推理,给出下一步该干什么的判断和计划。它自己不动手,也碰不到你磁盘上的文件——读写。不同模型的区别主要体现在智力的高低、擅长处理的任务,以及速度和价格。
举例:deepseek-flash、gpt-6-astra、claude-opus-4、kimi-k3.1、gemini-4-argon……填进配置的是这串 id,不是厂商名。
躯干,决定理论上能做哪些事。它负责编排流程、什么时候做什么事、出错时如何重试等等。读文件、跑命令这些基础动作也由它提供。不同 harness 的差异主要体现在其工作流的编排(思考—执行—反馈)、任务执行状态怎么存、出错往哪退。
举例:(以下均指未接入 LLM 的应用形态,它做不了任何事,只负责编排流程。)DSH、Cursor、Codex、ZCode、Claude、豆包工作……
状态层,管的是「上一轮留下了什么」。上下文是这一轮送进模型的东西:系统提示、前面说过的话、工具刚返回的结果,窗口一满最早那部分就丢。记忆是跨会话留下的那份:做到哪一步、上次定的格式、项目里那些不用重复交代的事实,由 Harness 写进文件或数据库,下次再检索回来。一个管这一次,一个管下次还能接上。
举例:「昨天那份表接着改」,表里改过什么、口径怎么定的,得从记忆里翻出来;项目根目录的 CLAUDE.md、工作台自己记的 memory 文档,都是同一类东西。只问一句话的活,用不上这层。
归在 Tools 这一层。连接器负责把外界应用接进来,开放的是某个具体应用的操作:整理邮件、发消息、查日历,得先接上对应应用才做得到。它不负责干活,只负责让 Agent 够得着本来够不着的地方;不装,基础读写照常。换一个 server,差别主要体现在接的是哪个应用、开放了哪些操作(只读还是能写)、要不要先授权。
举例:接上 buddyone 这类 MCP Server,让它把未读邮件分好类、挑出要紧的、把回复拟好,再把消息发给对应的人。换一个 server,就是多接上一个应用,多碰一样东西。
也挂在 Tools 层,但严格说它不是工具,是把「这类活该怎么干」事先写下来的一套规则。它不增加新能力,也不接外部系统,只把步骤和交付格式定好,碰到对应任务再加载。换一份规则,差别主要体现在什么任务会触发它、步骤怎么定、产出按什么格式验收。
举例:「数据清洗」写清缺值怎么补、异常值怎么判、最后输出成什么表;「竞品分析」写清抓哪几个来源、交叉验证怎么算通过、底稿分哪几栏。同一套躯干换一份规则,就从整理表格变成做行业研究。
办公Agent与传统对话Agent的区别
它们并不是谁替代谁,是用在不同的地方。想问一个问题,想要一套方案,直接用对话Agent就够了,这些简单场景使用办公Agent反而严重影响效率; 需要改动或创建文件、表格,最后交出能验收的东西,办公Agent才派得上用场。
六个维度,逐行展开看
点维度名左边的小箭头,展开这一维的详细对比。
| 对比维度 | 传统对话 Agent | 办公 Agent |
|---|---|---|
知识渊博的问答助手 | 目标导向的任务执行系统 | |
只认贴进窗口的内容 | 由选定的工作区决定 | |
消息流:按时间排的对话窗口 | 任务空间:状态面板、执行轨迹、沙箱、人工接管节点 | |
帮你「想」和「写」 | 帮你「查、做、改、交付」 | |
一次输入 → 一次文本输出 | 理解目标 → 拆步骤 → 调工具 → 验证 → 异常重试 → 交付制品 | |
短期上下文窗口,聊长了容易串味 | 持久化状态:已做 / 进行中 / 重试 / 待确认都记着 |
轻量咨询、写段文字,找聊天框就够。要动文件和系统,就得先把安全边界和权限划清楚, 交出来的东西还得能追溯、能验收。
使用AI工具做“任何事”
如今ai能做什么完全取决于你的想象力,只要是在电脑上能完成的任务,它都能完成,只不过完成的效率和结果最终取决于你的引导以及llm的能力。
由此展开
编写word文档,制作ppt(纯文本/图片 → 文档或演示稿)
根据给已有的文档内容,给它一个目标,它会自动编写对应的 word 文档和 PPT,当然也可以在现有的word或ppt基础上进行修改。
整理数据生成可视化图表(数据集 → 可视化图表)
几万行报表里有乱码和缺值,说一句「清掉异常值,按地区汇总销售额,画张折线图」,它自己写 Python 或 VBA,把清洗后的表和图交回来。
整理电脑上的文件或清理垃圾文件
把电脑上的文件按目录结构整理,比如把某类文档放到一个文件夹里,分析目录内容告诉你哪些可以清理等等。
视频剪辑
把给定的素材按要求进行剪辑,这种任务很大程度取决于llm的能力。
根据视频内容生成报告
给它一个视频链接,它会自动浏览视频,提取出视频中的信息,最后生成一份报告。
给收件箱分类、代拟回复
授权邮箱之后,每天上百封未读先过一遍:垃圾归档,重要事项摘出来,客户跟进的回复草拟好放进草稿箱。
排一份精确到小时的行程
给预算和目的地,它比价机票、翻最新游记、避开闭店日,做一份精确到小时、带地图导航链接的行程表。
盯社媒、挖选题、自动分发
社媒上的情绪和竞品提及一有变化,就挖 SEO 缺口、写稿,再借 CMS 插件无人值守地分发出去。
许愿式编程
说一句「做一个网页版的消消乐」,它会自己写代码、在沙箱里预览,报错了自己读日志自己改,直到交出一个能跑的程序。
跨来源核对,出带引用的底稿
竞品官网、研报、社交媒体反馈跨着抓,交叉验证之后给一份每个数字都带引用来源的结构化行业底稿。
发票与单据三方比对
一堆非结构化电子发票提出关键字段,跟 ERP 里的采购单、入库单三方比对,违规报销流程直接拦下来。
......
你提供想法,它给你无限可能。
这些活看着不相干,前提都一样:得让它碰得到那些文件和系统,交出来的东西也得有人验收。 权限给到哪,它能做到哪一步就到哪一步。