01
Token：AI 眼里的“文字积木”
AI 不像人一样直接读整句话。它把内容切成小块，再根据前文预测下一块最可能是什么。
试着点击
点击句子，看它如何被拆开
给每一位业务同事的 AI 新常识
你的目标
“整理客户反馈，找出本周最值得优先解决的 3 个问题。”
- ✓理解目标明确范围：本周、客户反馈、优先级
- ✓读取资料汇总工单、访谈记录与满意度数据
- 03分析与排序按影响人数、严重程度、解决成本评估
- 04输出并自检给出依据、风险与待确认信息
Agent 在行动
42s
01看懂原理
不讲数学公式
不讲数学公式
02识别场景
从日常工作出发
从日常工作出发
03学会协作
给目标，不只给指令
给目标，不只给指令
04守住边界
人始终对结果负责
人始终对结果负责
02 · AI 基础知识
先拆掉三个“黑箱”
不用从模型架构学起。记住三个直觉，就能理解大多数生成式 AI 产品。
02
上下文：AI 的临时工作台
你给的任务、资料和对话都放在这张“桌子”上。桌面越乱、信息越缺，结果越容易跑偏。
🗂
像一次会议
没带进会议室的资料，AI 也不知道。
03
生成：有根据的“接着写”
大模型根据学过的大量模式组织答案，不是在数据库里复制标准答案，所以可能流畅但不一定正确。
!
关键提醒
语言很自信 ≠ 事实已核验。
一眼看懂
三种系统，有什么不同？
03 · 概念关系图
AI、机器学习、大模型与 Agent，
不是四个同义词
前四者主要描述“智能能力从哪里来”，Agent 描述“这些能力怎样被组织起来完成目标”。
AI
人工智能
让机器表现出感知、推理、决策或创造能力的总领域
ML
机器学习
不把所有规则写死，让系统从数据中学习模式
DL
深度学习
用多层神经网络学习复杂表示
LLM
大语言模型
从大量语言数据中学习通用语言模式的基础模型
SYSTEM
AI Agent
把模型放进一个能感知、记忆、规划、调用工具并检查结果的系统中。
模型+工具+记忆+规则
一句话分清
大模型像经过大量训练的大脑；Agent像给这个大脑配上目标、手脚、记事本和工作制度。
AI 是大领域
规则系统、搜索算法、机器学习、机器人等都可以属于人工智能，不是所有 AI 都使用大模型。
机器学习是方法
系统通过数据调整参数、发现模式。推荐系统、风险评分和图像识别都可能使用机器学习。
大模型是能力底座
它擅长理解和生成语言，也能处理图像、音频等信息，但单独的模型通常只完成一次输入到输出。
Agent 是系统形态
它可以使用大模型，也可以结合规则、传统模型和业务系统；核心是围绕目标持续选择并执行行动。
04 · 什么是 Agent
从“回答问题”到“完成任务”
Agent 的关键不只是模型更聪明，而是系统能够观察环境、选择行动，并根据反馈继续推进。
一个可操作的定义
AI Agent 是一个围绕目标运行的系统：它感知当前环境，维护必要的状态，决定下一步行动，调用工具改变环境，再根据结果调整后续行动。
定义里最重要的不是“像不像人”，而是它是否真的拥有目标、行动能力和反馈闭环。只回答一次问题的模型不是完整 Agent；固定执行预设步骤的自动化流程，也不一定是 Agent。
目标
明确要实现的结果、成功标准与停止条件。
模型
理解意图、分析信息、生成计划并选择下一步。
感知与上下文
读取用户输入、文件、页面、数据库或环境状态。
工具与行动
搜索、计算、写文档、调用业务系统或发起流程。
记忆与状态
保存任务进度、关键事实、历史选择与待办事项。
护栏与评估
控制权限、检查质量，并在关键节点请求人确认。
GOAL目标要达成什么？
点击左侧步骤
循环规则
如果结果还没达到目标，就带着新信息继续下一轮；遇到高风险动作，则停下来请人确认。
🧠大模型理解与推理
+
🧰工具搜索、表格、系统
+
🗃记忆资料与历史
+
🔁工作流计划、行动、自检
=
✦AI Agent能把目标向前推进
不要把所有 AI 都叫 Agent
自主程度是一条连续光谱
自主越高，不代表一定越好；任务越稳定、风险越高，越应该保留确定流程和人工审批。
单次生成
输入一次，输出一次。
例：改写一封邮件AI 工作流
步骤由人预先定义，模型完成其中部分。
例：分类 → 摘要 → 入库受控 Agent
系统根据结果动态选择步骤，关键动作由人确认。
例：客户研究与拜访准备高自主 Agent
在较长时间与较大权限范围内独立推进。
适合少数可监控、可恢复任务05 · Agent 发展简史
Agent 不是突然出现的，
它是多条技术路线的汇合
“能感知环境并采取行动”的思想很早就存在；大模型让 Agent 第一次拥有了更通用的语言理解、规划和工具使用能力。
符号 AI 与专家系统
研究者尝试把知识和推理规则直接写进程序。系统在边界清楚的领域有效，但规则维护成本高、适应性有限。
关键词：规则、搜索、知识库软件 Agent 与强化学习
Agent 被用于描述能够感知环境、采取动作并追求目标的软件实体；强化学习则研究如何通过奖励反馈学会行动策略。
关键词：环境、行动、奖励深度学习带来感知跃迁
神经网络在图像、语音和语言任务上快速进步，机器更擅长“看懂”和“听懂”，但多数系统仍围绕单一任务构建。
关键词：神经网络、表征学习Transformer 与大语言模型
Transformer 架构推动大规模语言模型发展。模型逐渐具备更通用的语言理解、生成和少样本任务适应能力。
关键词：Transformer、基础模型推理与行动开始闭环
ReAct 等研究展示了语言模型交替进行推理与工具行动的方式；函数调用、检索和代码执行让模型能够影响外部世界。
关键词：ReAct、工具使用、RAG从原型走向企业系统
重点从“能不能自主”转向“能否可靠落地”：上下文工程、权限控制、可观测性、评估、协议连接与人在回路成为核心。
关键词：可靠性、治理、多 Agent
关键转折
过去的 Agent 往往需要人为写清大量规则；今天的大模型 Agent 可以用自然语言理解新任务，但也带来了不确定性。因此，现代 Agent 的竞争力不只来自模型，也来自上下文、工具设计、评估和治理。
06 · 工作中的案例
不是“哪个岗位会被替代”，
而是哪些任务可以被重新设计
选择一个场景，看 Agent 如何与人分工。
场景判断器
这个任务适合交给 Agent 吗？
越符合右侧特征，越适合先做小范围试点。
勾选特征看看这个任务的适配度
07 · 把任务交清楚
好结果，始于一份清楚的任务简报
不要只说“帮我做一下”。像带一位新同事一样，交代目标、材料、规则和验收标准。
任务清晰度
清晰
记忆口诀目标要具体 · 材料要完整 · 边界要说清 · 结果要可验收
08 · 边界与安全
Agent 可以替你执行，
不能替你承担责任
判断一件事能否自动化，先看风险，再看效率。
GREEN · 可直接尝试
低风险、易复核
- 公开资料摘要
- 会议议程草稿
- 内部文案改写
- 信息分类与格式整理
做法：抽样检查，逐步扩大使用范围。
AMBER · 人工复核
有影响、可撤回
- 给客户的回复草稿
- 业务数据分析
- 候选人材料初筛
- 流程建议与优先级
做法：发送、采纳或执行前，由负责人确认。
RED · 不得自主执行
高风险、难撤回
- 付款与资金操作
- 录用、解雇等决定
- 法律或医疗结论
- 删除生产数据
做法：必须有明确授权、审批和操作留痕。
01
数据最小化只提供完成任务所必需的信息，敏感信息先脱敏。
02
事实可追溯重要结论要求给出处，不把“听起来合理”当成事实。
03
权限最小化只开放需要的工具和数据，高风险动作设置审批。
04
责任不转移最终判断仍由业务负责人作出，并对结果负责。
09 · 快速自测
三分钟，检查你是否真的理解了
每题选择一个你认为最合适的答案。
0/ 5
完成本次学习
不要问“AI 能不能替我工作”，回到开头 ↑
要问“我能否把工作拆成目标、资料、行动和检查”。