1. 什么是Agent #
Agent 就是能像 “人” 一样自主完成任务的 AI 程序：你只需要告诉它 “要做什么（目标）”，不用告诉它**“怎么做（步骤）”**，它会自己规划步骤、调用工具、解决问题、完成目标，甚至中途遇到问题会自主调整策略。
| 维度 | 普通大模型（如 ChatGPT） | RAG | AI Agent |
|---|---|---|---|
| 核心能力 | 理解 + 生成文本，无自主规划 / 工具调用 | 大模型 + 知识库检索，补全知识 | 规划 + 工具 + 记忆 + 执行，自主完成任务 |
| 交互方式 | 被动响应单步指令 | 被动响应问答需求 | 主动承接整体目标 |
| 任务处理 | 单步、简单、无依赖的任务 | 知识类问答任务 | 多步、复杂、有依赖的复合任务 |
| 你需要做的事 | 拆解步骤，一步步指挥 | 准备知识库，提精准问题 | 只给目标，无需拆解步骤 |
| 核心定位 | 「AI 聊天助手」 | 「AI 知识问答助手」 | 「AI 工作伙伴 / 执行者」 |
Agent可以大致分为Workflow Agent 与 ReAct Agent 两种。
2. WorkFlow Agent #
WorkFlow Agent 即工作流Agent，是Agent 与业务工作流的结合体，核心是让 AI 智能体自主接管企业标准化、流程化的业务工作流，从 “人按步骤执行工作流” 升级为 “AI Agent 自主规划、执行、监控、闭环整个工作流”。为什么需要工作流Agent？
- LLM 会有幻觉
- LLM 只会说，不会做
- LLM 规划的步骤不靠谱
有些任务就是需要极强的准确度、可控性的，WorkFlow Agent 就成了首选。
如上用coze平台搭建的一个根据用户提供的位置获取位置附近的站点的工作流，其中工作流程有：
- 用户输入地址
- 调用百度地图插件，将地址转换成字符串类型经纬度坐标
- 利用大模型编写Python代码，将字符串经纬度转换成整型的经度及纬度
- 将经纬度与所有的站点位置信息匹配
- 返回离用户输入地址最近的站点
WorkFlow Agent虽然强大，但他比较适合那种流程有规可循、执行可自动化、异常可预判处理的任务，而不适合无固定流程、高度依赖人工主观决策、一次性非标任务，典型的适合任务有：
- 企业行政类标准化审批流程（流程规则极清晰、步骤固定、重复度极高，仅需简单的智能提醒 / 异常处理，几乎无主观决策）
- 企业财务类标准化结算流程（财务流程规则性极强、数据驱动、需跨系统联动（OA / 财务系统 / 银行接口），重复度高，人工执行易出错，适合 Agent 自主完成跨系统操作和数据校验。）
一句总结，WorkFlow Agent 适合有一定规则性的任务（意味着可以根据规则去制订工作流）。
WorkFlow Agent 全景图如上所示。
3. ReAct Agent #
但是在日常环境中，并不是所有的任务都具有规则性，那么这类的问题又该如何处理呢，例如：
- 我有份文件里记录了上个月最终的业务数据，找找是哪份文件
- 检查一下直播系统，我的直播间学员们说很卡，但是网络测速是正常的
- 听说明天台风，我明天从深圳飞北京，能正常起飞么？
针对这种没有规则性的问题，就要轮到 ReAct Agent 出马了。ReAct是Reasoning + Acting的简写，即让Agent推理、行动、获得反馈，再根据反馈再次推理、行动、获得反馈，直到获得答案为止。
以问题“9 月份销售额不达标的供应商”为例，说明下整个推理、行动、反馈的整体流程。
这种让模型模拟人类逐步推理、分步解决问题的思考过程，而非直接输出答案的模式，就叫思维链模式，是大语言模型领域的核心提示工程技术。但思维链模式并非万能，仅在需要多步推理的场景中发挥价值，例如：
- 数学计算：小学 / 中学数学题、代数 / 几何演算、数据分析计算
- 逻辑推理：演绎推理、归纳推理、逻辑题（如真假话判断、排列组合）
- 常识推理：需要生活 / 领域常识的多步问题（如行程问题、购物找零）
- 简单规划：基础的任务拆解（如「如何在 1 小时内完成早餐 + 通勤）
- 代码调试：简单代码的逻辑分析、错误定位（分步推导代码执行过程）
不适用场景：简单的事实问答（如「北京是中国首都吗？」）、单一指令任务（如「翻译一句话」），此类场景用思维链会增加冗余，降低效率。
4. Agent平台 #
Agent平台即管理、运行、支持一系列 Agent的平台。
- 法律界的AI Agent平台：https://www.harvey.ai/
- 企业级知识库的AI Agent平台：https://www.glean.com/
glean连接企业日常应用
glean构建企业知识图谱
glean利用企业知识库构建企业搜索引擎