第1章 什么是 Agent？
🎯 "Agent 不仅仅是一个聊天机器人，它是能够自主感知环境、做出决策并采取行动的智能实体。"
本章概览
欢迎来到 Agent 开发的世界！在这一章中，我们将从最基础的概念出发，帮助你建立对 AI Agent 的全面理解。
如果你曾经使用过 ChatGPT、Claude 等对话式 AI，你可能会想："这些不就是 Agent 吗？" 实际上，它们之间有着本质的区别。一个真正的 Agent 不仅能"说话"，更能"做事"——它可以使用工具、访问数据库、调用 API、执行代码，甚至能制定计划并自我纠错。
本章将帮助你理解这些核心差异，并为后续的开发实战打下坚实的概念基础。
上图可以先帮你建立一个完整 Agent 直觉：用户提出目标后，系统会把任务、上下文、记忆、知识库和可用技能等一起组织成 Prompt，交给大语言模型进行推理和决策。模型不会只生成一次答案，而是会在 Reason → Action → Observe → Update 的循环中不断推进任务：先思考下一步，再调用工具或访问文件、API，随后根据外部反馈修正计划，直到产出最终结果。
其中，Memory 负责保存长期偏好、历史决策和可复用经验；RAG 负责从文档或知识库中检索可靠资料；Skill 库 则沉淀常见任务流程和工具使用方式。理解这张图后，你会更容易看清 Agent 与普通聊天机器人的区别：聊天机器人主要是在回答问题，而 Agent 是在带着目标、工具和反馈闭环持续完成任务。
🎓 学习目标
完成本章学习后，你将能够：
- ✅ 清晰地定义什么是 AI Agent
- ✅ 理解 Agent 从简单聊天机器人到复杂智能体的演进历程
- ✅ 掌握 Agent 的核心架构：感知-思考-行动循环
- ✅ 区分 Agent 与传统程序、聊天机器人的本质差异
- ✅ 了解 Agent 在各行各业的典型应用场景
- ✅ 了解智能体发展史，从符号主义到大模型驱动的演进脉络
📚 本章结构
🔗 学习路径
本书共 23 章、6 个部分，章与章之间有明确的依赖关系。下面这张全景图展示了全书的结构主干与三条推荐路线——节点左边框的色条标记它属于哪条路线（可同时属于多条）。
三条推荐路线
不同背景的读者，可以按不同路线"跳读"本书，不必从头到尾线性读完：
-
🟠 快速上手（5 章，适合产品经理 / 管理者）：
1 → 3 → 8 → 12 → 21先建立 Agent 直觉（第1章），了解工具调用（第3章），掌握 Harness 工程规范（第8章），用一个主流框架（第12章 LangChain）做出第一个编程助手项目（第21章）。跳过深理论，最快见到成果。 -
🔵 工程师路线（11 章，适合想系统掌握开发的工程师）：
1 → 2 → 3 → 4 → 5 → 7 → 12 → 13 → 15 → 20 → 21在快速线基础上补齐 LLM 基础（第2章）、记忆与规划（第4、5章）、上下文工程（第7章），再学 LangChain + LangGraph + Claude Code 三套框架，最后落到部署（第20章）与实战项目（第21章）。 -
🟣 研究者路线（8 章，适合深入理论与前沿的研究者）：
1 → 2 → 4 → 5 → 10 → 11 → 16 → 18聚焦原理与前沿：LLM 基础（第2章）、记忆与规划理论（第4、5章），深入 Agentic-RL 训练（第10章）与自我进化（第11章），再扩展到多 Agent 系统（第16章）与评估方法（第18章）。
💡 阅读建议：实线箭头表示"部分内顺序"，虚线箭头表示"跨部分主干衔接"。无论走哪条路线，都建议先读第1章建立全局观；综合项目篇（第21-23章）建议放在最后，作为所学知识的整合检验。
后续推荐
- 👉 第2章 大语言模型基础 — 理解 Agent 的"大脑"
- 👉 附录 F：开发环境搭建 — 搭好工具，开始动手
准备好了吗？让我们从 Agent 的前世今生开始说起……