从零认识 Agent
列出三个日常任务，分别标记为规则程序、固定 LLM 流程或 Agent，并写出不使用 Agent 的理由。
课程全目录 · 选择章节
本课学习目标
- • 理解 — Agent 是围绕目标观察环境并执行动作的系统。LLM 负责理解和选择，工具负责访问外部世界，程序负责限制权限与执行次数。先区分固定流程与自主决策：能用明确规则完成的任务，不一定需要 Agent。
- • 应用 — 以查天气为例：输入城市，查询天气接口，返回结果是固定流程；为了安排周末行程，系统需要比较天气与交通，再决定查询什么，才体现基于观察的行动选择。
- • 验证 — 列出三个日常任务，分别标记为规则程序、固定 LLM 流程或 Agent，并写出不使用 Agent 的理由。
完成路径
阅读概念与案例 → 完成动手任务 → 勾选实践检查 → 回答检查点 → 保存完成记录。练习由你自行检查，不会假装成自动代码评分。
01 / 核心概念
Agent 是围绕目标观察环境并执行动作的系统。LLM 负责理解和选择，工具负责访问外部世界，程序负责限制权限与执行次数。先区分固定流程与自主决策：能用明确规则完成的任务，不一定需要 Agent。
以查天气为例：输入城市，查询天气接口，返回结果是固定流程；为了安排周末行程，系统需要比较天气与交通，再决定查询什么，才体现基于观察的行动选择。
不要把所有使用 LLM 的程序都称为 Agent。增加自主性也会增加成本、失败路径和权限风险，应先找到确实需要动态决策的部分。
02 / 心智模型
理解
Agent 是围绕目标观察环境并执行动作的系统。LLM 负责理解和选择，工具负责访问外部世界，程序负责限制权限与执行次数。先区分固定流程与自主决策：能用明确规则完成的任务，不一定需要 Agent。
应用
以查天气为例：输入城市，查询天气接口，返回结果是固定流程；为了安排周末行程，系统需要比较天气与交通，再决定查询什么，才体现基于观察的行动选择。
验证
列出三个日常任务，分别标记为规则程序、固定 LLM 流程或 Agent，并写出不使用 Agent 的理由。
03 / 代码骨架
const task = { goal: 'plan a weekend', maxSteps: 5, tools: ['weather', 'transit'] };这是解释结构的代码骨架，外部函数与数据需要在实际项目中实现。
04 / 贯穿案例
放进真实情境里看
以查天气为例：输入城市，查询天气接口，返回结果是固定流程；为了安排周末行程，系统需要比较天气与交通，再决定查询什么，才体现基于观察的行动选择。
- 01
分析边界
Agent 是围绕目标观察环境并执行动作的系统。LLM 负责理解和选择，工具负责访问外部世界，程序负责限制权限与执行次数。先区分固定流程与自主决策：能用明确规则完成的任务，不一定需要 Agent。
- 02
观察具体过程
以查天气为例：输入城市，查询天气接口，返回结果是固定流程；为了安排周末行程，系统需要比较天气与交通，再决定查询什么，才体现基于观察的行动选择。
- 03
验证失败路径
不要把所有使用 LLM 的程序都称为 Agent。增加自主性也会增加成本、失败路径和权限风险，应先找到确实需要动态决策的部分。
05 / 动手做
用自己的产物检验理解
列出三个日常任务，分别标记为规则程序、固定 LLM 流程或 Agent，并写出不使用 Agent 的理由。
完成时检查
- 提交可阅读的实现或流程图，并注明输入和输出。
- 至少覆盖一个成功案例与一个失败案例。
- 解释本课的边界，写出仍未解决的一项限制。
自动保存在当前浏览器，不会同步到账户。
06 / 检查点