第01章 AI的进化：从问答机器到自主行动者
第01章 AI的进化：从问答机器到自主行动者
“ChatGPT是一本会说话的百科全书。Agent是一个会干活的员工。区别不在于智力，在于能否行动。” —— 某AI工程师
你打开ChatGPT，问它"如何用Python管理Cloudflare DNS记录"。它给了你一段详细的代码和步骤说明。
很有用。但代码还没运行。结果还没验证。下次你遇到同样的问题，你还得重新描述一遍。
这就是响应式AI的边界。
1.1 三代AI系统的演进
# 用代码来理解三代AI系统的区别
# ===== 第一代：规则系统（1950s-2010s）=====
class RuleBasedSystem:
"""
完全确定性的决策树
- 优点：可预测、可解释
- 缺点：无法处理规则外的情况
"""
def respond(self, user_input: str) -> str:
if "天气" in user_input:
return "请查看天气预报网站"
elif "帮助" in user_input:
return "输入'菜单'查看所有命令"
else:
return "抱歉，我不理解您的问题"
# ===== 第二代：对话式LLM（2020-至今）=====
class ConversationalLLM:
"""
强大的问答系统
- 优点：理解自然语言，知识广博
- 缺点：只能"说"，不能"做"；无持久记忆；每次从零开始
"""
def respond(self, user_input: str, context: list = None) -> str:
# 调用LLM API，返回文本响应
# 但不能执行代码，不能访问外部系统，不能保存状态
response = llm_api.call(
messages=context + [{"role": "user", "content": user_input}]
)
return response.text # 仅仅是文本
# ===== 第三代：自主Agent（2024-）=====
class AutonomousAgent:
"""
能够自主完成任务的AI系统
- 感知：理解用户目标（不只是当前问题）
- 思考：制定行动计划，选择工具
- 执行：调用真实的工具、API、命令
- 验证：检查结果，必要时重试或调整
- 学习：把成功的方法记为技能，下次复用
"""
def __init__(self):
self.tools = [dns_manager, email_sender, file_manager, terminal]
self.skills = SkillLibrary() # 持久化技能存储
self.memory = WorkingMemory() # 当前任务上下文
async def complete_task(self, goal: str) -> dict:
# 1. 感知：理解目标
plan = await self.think(goal)
# 2. 执行循环
results = []
for step in plan.steps:
tool = self.select_tool(step)
result = await tool.execute(step.params)
results.append(result)
# 3. 验证：结果不对就调整
if not self.verify(step, result):
await self.recover(step, result)
# 4. 学习：成功了就记下来
if all(r.success for r in results):
self.skills.save(goal, plan)
return {"status": "done", "results": results}
这三代系统的根本区别不是"聪明程度"，而是行动能力：
| 维度 | 规则系统 | 对话式LLM | 自主Agent |
|---|---|---|---|
| 理解语言 | ❌ | ✅ | ✅ |
| 执行工具 | ✅（预设的） | ❌ | ✅（动态选择） |
| 持久记忆 | ✅（数据库） | ❌ | ✅（技能+知识库） |
| 处理意外 | ❌ | 文字建议 | ✅（自动重试/调整） |
| 自主规划 | ❌ | ❌ | ✅ |
1.2 什么让Agent成为"Agent"
一个LLM不管多聪明，只要它只能输出文字，就不是Agent。Agent的本质是把语言理解转化为真实世界的行动。
# Agent的核心循环（ReAct框架）
# Reasoning（推理）+ Acting（行动）的结合
async def agent_loop(goal: str, tools: list, max_steps: int = 10) -> str:
"""
这是所有现代Agent系统的核心模式
"""
messages = [
{
"role": "system",
"content": f"""你是一个自主Agent。
你有以下工具可以使用：{[t.description for t in tools]}
完成用户的目标，必要时多次使用工具。
每次行动前，先在<思考>标签中说明你的推理。"""
},
{"role": "user", "content": goal}
]
for step in range(max_steps):
# 1. 思考：LLM决定下一步
response = await llm.complete(messages, tools=tools)
# 2. 检查是否有工具调用
if response.tool_calls:
for tool_call in response.tool_calls:
# 3. 执行工具
result = await execute_tool(tool_call)
# 4. 把结果反馈给LLM
messages.append({
"role": "tool",
"content": str(result)
})
else:
# 没有更多工具调用 = 任务完成
return response.content
return "已达到最大步数限制"
注意这个循环的关键特征：
- LLM驱动决策：每一步做什么，由LLM根据当前状态判断
- 工具执行真实操作：不是模拟，是真正的DNS操作、文件写入、API调用
- 结果反馈：工具的输出会回到LLM，影响下一步判断
- 循环直到完成：不是一次就结束，而是持续行动直到目标达成
1.3 一个真实的对比：同一个任务的两种处理
场景：用户说"帮我把 blog.example.com 指向 1.2.3.4"
对话式LLM的处理：
用户：帮我把 blog.example.com 指向 1.2.3.4
ChatGPT：
以下是使用Cloudflare API添加DNS记录的步骤：
1. 登录Cloudflare Dashboard...
2. 选择你的域名...
3. 点击DNS设置...
4. 或者使用API：
curl -X POST "https://api.cloudflare.com/client/v4/zones/{zone_id}/dns_records" \
-H "Authorization: Bearer {token}" \
-d '{"type":"A","name":"blog","content":"1.2.3.4"}'
（用户还需要：找zone_id、运行命令、验证结果）
自主Agent（Hermes）的处理：
# 用户发出指令后，Agent自动执行以下步骤：
步骤1: [思考] 需要添加DNS的A记录，先获取zone_id
步骤2: [执行] cf_dns.get_zone_id("example.com") → "abc123"
步骤3: [执行] cf_dns.add_record("blog", "A", "1.2.3.4", "abc123") → 成功
步骤4: [执行] cf_dns.verify("blog.example.com") → 解析到1.2.3.4 ✅
步骤5: [学习] 保存技能"add-dns-a-record"到技能库
输出：
"已完成。blog.example.com 现在解析到 1.2.3.4。
记录ID: record_xyz，生效时间约1-5分钟。"
用户的认知负担：前者需要你执行每一步；后者只需要说出目标。
1.4 为什么"现在"是Agent的时代
# 2020-2025年：Agent成立的四个技术条件都已就绪
AGENT_PREREQUISITES = {
"强大的推理能力": {
"状态": "✅ 已具备",
"代表": "GPT-4o, Claude 3.5, Qwen2.5-72B",
"关键": "LLM能够规划多步任务、处理工具输出、从失败中调整",
},
"标准化的工具调用": {
"状态": "✅ 已具备",
"代表": "OpenAI function calling, Anthropic tool_use",
"关键": "LLM和工具之间有了统一的通信语言",
},
"成熟的工具生态": {
"状态": "✅ 已具备",
"代表": "几乎所有服务都有REST API（Cloudflare、Stripe、GitHub...）",
"关键": "Agent可以接入真实世界的绝大多数服务",
},
"可负担的推理成本": {
"状态": "✅ 已具备",
"代表": "GPT-4o-mini：$0.15/1M tokens",
"关键": "一个Agent完成一项任务的成本降到了$0.01以内",
},
}
# 这四个条件在2023年底前后同时成立
# 这解释了为什么Agent在2024年突然"爆发"
本章小结
五个核心认知：
-
Agent ≠ 更聪明的Chatbot：区别在于行动能力，不在于对话质量；能回答"如何做"和能"自己去做"是两种完全不同的系统
-
Agent的本质是循环：感知 → 思考 → 执行 → 验证 → 学习，循环直到目标完成；而不是一问一答
-
工具是Agent的躯体：没有工具的LLM只能产出文字；工具让Agent能触碰真实世界（文件、API、数据库、命令行）
-
现在是Agent最好的时代：推理能力、工具调用标准、服务API、成本——四个条件在2024年同时成熟，Agent从实验室走向了生产
-
Agent改变的是你的认知负担：你只需要描述目标，而不是描述每一步；这是效率的量级差距，不是程度差距
核心行动：
# 今天就尝试：
# 打开你常用的LLM，给它一个需要"多步骤"的真实任务
# 观察它在哪个步骤"卡住"（通常是需要执行真实操作的地方）
# 那个卡点，就是Agent要解决的问题
本章提示词模板
模板一：探索Agent的能力边界
我有一个任务：[描述一个你工作中的复杂多步骤任务]
请分析：
1. 哪些步骤你（作为ChatGPT）可以直接帮我完成？
2. 哪些步骤需要我自己去操作？
3. 如果我有一个自主Agent，它需要哪些工具来完成这个任务？
4. 整个任务可能需要多少步？哪步最可能出错？
帮我理解：这个任务是否值得用Agent自动化？评估标准：
- 执行频率（每天/每周/偶尔）
- 步骤数（>5步就值得考虑）
- 出错代价（高代价需要人工确认）
模板二：从Chatbot到Agent的思维转换
我习惯于用ChatGPT来[描述你的使用场景]。
我想了解：如果我有一个自主Agent可以接入[你的工具列表]，
同样的场景下，交互方式会如何变化？
请对比：
1. Chatbot模式：我需要说什么、做什么
2. Agent模式：我只需要说什么，Agent会自动做什么
3. 在Agent模式下，什么时候我仍然需要介入？
4. 在Agent模式下，最大的风险是什么？
用具体的例子说明，不要泛泛而谈。