人工智能
让机器呈现感知、推理、决策或创造能力的总目标。
AI AGENT 101 / FOR BUSINESS & IT
从“会生成”，
到会完成工作。
一套不从术语出发的 AI Agent 基础课。沿着五个问题，建立从人工智能、大模型到企业级 Agent 的完整认知地图。
沿路线开始学习 无需技术背景 · 含案例与自测
THE LEARNING ROUTE
- 01What概念是什么
- 02Why模型为何有效
- 03HowAgent 如何行动
- 04System企业如何工程化
- 05Practice如何小步落地
核心线索：预测下一个词 → 理解任务 → 调用工具 → 验证结果
CHAPTER 01 · 概念地图
先把这些词，
放回正确的位置
AI 是目标，机器学习是方法，深度学习是一类技术，大模型是能力底座，Agent 则把能力组织成可以完成目标的系统。
一句话带走Agent 不是更大的模型，而是围绕模型搭建的“工作系统”。
- 01技术包含关系AI ⊃ ML ⊃ DL ⊃ 大模型 ⊃ LLM
- 02GenAI生成文本、图片、音频与代码
- 03Agent围绕目标形成感知、决策、行动闭环
01 / RELATIONSHIP
一张图看懂五个概念
它们不是互相替代的新名词，而是范围、技术与产品形态的不同层级。
机器学习
让系统从数据中学习规律，而不是为每种情况手写规则。
深度学习
使用多层神经网络，从海量数据中学习复杂表示。
大语言模型
以语言为接口的基础模型，擅长理解、生成、总结和推理。
智能体系统
围绕目标组织模型、上下文、记忆、工具、流程与反馈。
02 / THREE PARADIGMS
软件、生成式 AI 与 Agent
区别不在于“聪不聪明”，而在于人把多少决策和执行权交给系统。
CHAPTER 02 · 模型机制
大模型不是搜索答案，
而是在预测下一步
它把输入切成 Token，转换成向量，通过注意力理解关系，再根据上下文逐步生成最可能的后续内容。
一句话带走大模型的强项是生成“可能正确”的内容，而不是保证“事实正确”。
- 01输入
- 02Token 切分
- 03向量表示
- 04注意力关系
- 05上下文增强
- 06概率生成
01 / MODEL PIPELINE
一次生成，经历了什么
点击五个步骤，沿着一条最简化的模型流水线理解大模型。
GOOD AT
大模型擅长什么
- 处理非结构化语言、图像与代码
- 总结、改写、分类与信息抽取
- 把模糊需求转成较清晰的初稿
- 借助上下文快速适配新任务
WATCH OUT
边界在哪里
- 可能生成自洽但错误的事实
- 不知道企业最新、私有的信息
- 复杂长任务中容易偏离目标
- 输出具有概率性，需要验证机制
CHAPTER 03 · AGENT 原理
给模型一个目标，
再给它手、眼和反馈
Agent 接收目标，观察环境，制定下一步计划，调用工具执行，再检查结果是否足够好；必要时继续循环或请求人工确认。
标准定义Agent 是能够围绕目标自主选择下一步行动，并通过工具影响外部世界的系统。
- 01观察状态
- 02制定计划
- 03调用工具
- 04校验与反馈
01 / WHY NOW
为什么 Agent 在今天爆发
Agent 并非新概念。变化来自大模型终于提供了通用语言理解、推理和工具调用接口。
图灵测试让“机器能否思考”成为可讨论的问题。
知识可以编码，但维护成本高，难以覆盖开放世界。
感知环境并自主行动的系统框架逐渐成形。
感知能力显著提升，但不同任务仍依赖专用模型。
自然语言成为统一接口，通用推理开始连接真实系统。
02 / THE LOOP
Agent 的工作闭环
真实产品可以很复杂，但都能还原成四个反复发生的动作。
Model
理解意图、推理与生成，是 Agent 的认知引擎。
Instructions
定义角色、目标、边界，以及什么时候应该停下来。
Context & Memory
补充企业知识、当前状态和之前发生过的事情。
Tools
查询数据、调用 API、写入系统或触发真实动作。
Orchestration
管理步骤、重试、分支、人工审批和多个 Agent 协作。
Evaluation
判断结果是否正确、安全、合规，并持续改进。
CHAPTER 04 · 工程落地
企业 AI 不是一个模型，
而是一套可信系统
生产级 Agent 必须连接企业数据与工具，同时解决权限、可观测、评测、安全、成本和人工兜底。模型只是其中一层。
一句话带走能演示的 Agent 靠模型，能上线的 Agent 靠工程与治理。
- 01模型与数据
- 02检索、记忆与工具
- 03评测、权限与观测
- 04业务应用
01 / REFERENCE STACK
企业 Agent 的四层结构
把关注点分层，可以避免把所有问题都错误地归因于“模型不够强”。
业务应用层
员工助手 · 客户服务 · 运营分析 · 流程自动化
Agent 编排层
任务规划 · 工作流 · 多 Agent · 人工审批 · 状态管理
企业能力层
RAG · 记忆 · 工具/API · 权限 · 评测 · 观测 · 安全
模型与数据层
基础模型 · 专用模型 · Embedding · 企业数据 · 算力
02 / CHOOSE THE PATTERN
不是所有需求都要上 Agent
先判断问题类型，再选择最小、最稳定、最可控的技术方案。
方案解决什么最适合关键风险
Prompt让模型更准确地理解一次任务总结、改写、抽取提示不稳定
RAG把最新、私有知识放进上下文知识问答、制度查询检索质量
Fine-tune固化风格、格式或特定能力规模化稳定输出数据与维护成本
Workflow按固定步骤可靠执行已知流程自动化异常分支
Agent在开放路径中动态决策复杂、多步骤任务行为不可预测
CHAPTER 05 · 场景实践
不要从“做一个 Agent”开始，
从一个任务开始
最好的起点不是宏大的平台，而是一个高频、耗时、可验证、风险可控的具体任务。先做出闭环，再逐步扩大自治范围。
落地原则价值 × 可行性 × 可控性，比技术新颖度更重要。
- 01收集任务
- 02筛选窄场景
- 03人机试点
- 04评测与护栏
- 05复用并扩展
01 / USE CASES
四个典型业务场景
观察每个案例中，人负责什么、Agent 负责什么、系统如何控制风险。
02 / FIT CHECK
这个任务适合 Agent 吗？
用六个问题做一次 30 秒初筛。它不是审批表，但能帮团队快速对齐。
0 / 6先勾选符合项
优先寻找高频、可验证、可回退的任务。
03 / TASK BRIEF
把想法写成一页任务简报
04 / PILOT TO SCALE
从试点到规模化
- 01选一个窄任务
边界清晰，最好两到四周能验证。
- 02建立基准线
先记录当前耗时、成本、准确率和体验。
- 03人机共同运行
让人审核关键结果，收集真实失败样本。
- 04评测与加护栏
修复高频失败，并明确停止与升级条件。
- 05复制成功模式
沉淀组件、规范和运营机制后再扩场景。
FINAL CHECK
三题检验：你已经建立完整地图了吗？
THE END IS A START
好的 Agent，不是最像人的那个。
是最可靠地完成目标的那个。
从任务出发让人保持控制用评测持续改进
回到顶部