定义
AI Agent（人工智能智能体）是一类软件系统，以大语言模型为决策核心，能够自主感知环境、规划步骤、使用工具、采取行动，以完成复杂任务。
这一定义有三层含义：
- 以大语言模型为决策核心：与传统的「如果-那么」规则系统不同，Agent 的每一步行动由大模型在运行时动态决定。
- 自主完成复杂任务：Agent 接收目标后，自行分解任务、选择工具、执行行动、评估结果，而非仅响应单一指令。
- 使用工具：Agent 通过 Function Calling（工具调用）等机制连接外部系统、数据库、API，把「语言理解」转化为「业务动作」。
本定义综合自 Anthropic《Building effective agents》(2024-12)、LlamaIndex 官方文档、中国信通院《智能体技术和应用研究报告》(2025-06)。
边界：Agent、Workflow 与 Chatbot 的区别
Agent 与 Workflow 的关系
- Workflow：预定义代码路径编排 LLM 与工具。流程在开发期确定，运行时不变。
- Agent：LLM 自身动态决定下一步流程与工具使用，运行时控制权在模型。
二者不是对立，而是企业 AI 应用的两种互补范式。一个完整的企业级 AI 系统，往往 Workflow 负责稳定流程，Agent 负责动态决策。
Agent 与 Chatbot / AI Assistant 的关系
- Chatbot / AI Assistant：被动响应用户输入，回答问题或执行单一指令。
- Agent：拥有 agency——能基于预设目标，主动规划、连续行动、使用工具，直到任务完成。
Gartner 把「把 AI Assistant 包装为 Agent」的营销行为称为 agentwashing，是企业采购 AI 应用时最常遇到的认知陷阱。
常见误解
误解一：Agent 就是更聪明的 Chatbot
不是。 Chatbot 是请求-响应模型；Agent 是目标-行动模型。一个 Chatbot 回答「帮我查订单状态」；一个 Agent 接收「处理这批异常订单」的目标，自行决定：查哪些订单、判断异常类型、调用工单系统、通知相关负责人。
误解二：Agent 等于全自动取代人类
不等于。 企业级 Agent 系统通常包含 human-in-the-loop（人在回路中）节点。Microsoft Research 的 AutoGen 框架明确把「LLM + 人类输入 + 工具」组合作为 Agent 的标准运行模式。高风险动作（如对外发送、资金操作、客户通知）通常保留人工确认节点。
误解三：Agent 是一项单一技术
不是。 Agent 是推理、工具使用、记忆、规划等多种能力的组合产物，不是某个算法或某个模型。LlamaIndex 官方文档的定义最准确：「Agent 是一种软件，通过将 LLM 与工具和记忆结合，在推理循环中编排，半自主地执行任务。」
与 LangChat 平台的关联
LangChat 平台在其冻结的架构决策中，将 RAG / Workflow / Agent / Tool Use 列为四类一等公民能力。这意味着 Agent 不是某个产品功能的附属，而是平台层的核心构造块。
- LangChat AI Workflow：对应 Workflow 概念——预定义流程编排，不是 Agent 本身，但可与 Agent 组合使用。
- LangChat AI Digital Employee：LangChat 对企业「数字员工」场景的 Agent 应用映射，把 Agent 范式落到具体岗位场景（标准咨询应答、工单分流、操作口径沉淀），并保留 human-in-the-loop 节点。
- LangChat AI Agent（平台层）：LangChat 支持构建、运行、治理 Agent 应用的基础能力。
以上 Capability 映射基于 LangChat 自身的产品模型，不是行业通用的 Agent 定义。
证据来源
本术语解释的综合判断基于以下权威来源的交叉验证：
国际技术权威：Anthropic《Building effective agents》(2024-12)、LangGraph 官方文档、LlamaIndex 官方概念文档。
学术同行评审：ReAct 论文（Yao et al., ICLR 2023）、AutoGen 论文（Wu et al., Microsoft Research, 2023）、Generative Agents（Park et al., Stanford/Google, UIST 2023）。
行业研究：Gartner 2026 Hype Cycle（Agentic AI 位于「期望膨胀期峰值」）、McKinsey《Seizing the agentic AI advantage》(2025-06)、Stanford HAI《AI Index 2025》。
中国权威：中国信通院 & 华为《智能体技术和应用研究报告》(2025-06)、McKinsey 中国《超越炒作：释放 AI 革命的价值》(2025-09)。
人机边界：Agent 能做什么，不应做什么
Agent 能做的
- 接收一个目标，自主分解为多步骤任务
- 在每一步选择合适的工具或数据源
- 跨多个系统、多个角色协调信息
- 把「语言理解」转化为「业务动作」
- 在预设范围内自主决策
Agent 不应做的（企业级治理边界）
- 高风险动作保留人工确认：对外发送、资金操作、客户通知、合规边界动作
- 关键决策保留人工裁决：客户分类、优先级判定、例外处理
- 可解释性保留：每一步 Agent 决策都留下 trace（观测、审批、评估）
企业级落地的现实
LangChain、LangGraph、AutoGen 等开源 Agent 框架已可用于构建原型，但企业级稳定运行仍需大量工程化投入——可观测性、权限治理、版本管理、安全审计、合规追溯。Multi-Agent 自主协作在企业生产环境的应用仍处于早期阶段。Gartner 2026 Hype Cycle 显示，截止 2026 年仅 17% 组织已部署 AI Agent，但 60% 以上计划两年内部署。