Agent Field Guide企业 AI 基础课
约 45 分钟开始学习

AI AGENT 101 / FOR BUSINESS & IT

从“会生成”,
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
  1. 01What概念是什么
  2. 02Why模型为何有效
  3. 03HowAgent 如何行动
  4. 04System企业如何工程化
  5. 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”。
AI 概念关系图:左侧五层嵌套表示 AI、机器学习、深度学习、大模型与语言模型的包含关系;右侧分为生成式 AI 与 Agent 两种形态
图解:左边回答“能力从哪里来”,右边区分“生成内容”和“围绕目标行动”两种系统形态。
  1. 01
    技术包含关系AI ⊃ ML ⊃ DL ⊃ 大模型 ⊃ LLM
  2. 02
    GenAI生成文本、图片、音频与代码
  3. 03
    Agent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。

AI

人工智能

让机器呈现感知、推理、决策或创造能力的总目标。

ML

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。

DL

深度学习

使用多层神经网络,从海量数据中学习复杂表示。

LLM

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。

AGENT

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”。
大模型生成流水线:输入内容依次经过 Token 切分、向量表示、注意力关系、上下文增强,最后生成输出
图解:这是一次生成的最短认知路径。每一个箭头都代表信息表示发生了一次变化。
  1. 01输入
  2. 02Token 切分
  3. 03向量表示
  4. 04注意力关系
  5. 05上下文增强
  6. 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。
Agent 运行闭环:围绕中心目标依次观察环境、制定计划、调用工具行动,并校验结果后进入下一轮
图解:目标保持在中心,每一轮都更新当前状态;高风险动作在执行与校验之间加入人工审批。
  1. 01观察状态
  2. 02制定计划
  3. 03调用工具
  4. 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。

1950s智能的提问

图灵测试让“机器能否思考”成为可讨论的问题。

1980s规则与专家系统

知识可以编码,但维护成本高,难以覆盖开放世界。

1990s软件 Agent

感知环境并自主行动的系统框架逐渐成形。

2010s深度学习

感知能力显著提升,但不同任务仍依赖专用模型。

2022+大模型与工具

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。

01

Model

理解意图、推理与生成,是 Agent 的认知引擎。

02

Instructions

定义角色、目标、边界,以及什么时候应该停下来。

03

Context & Memory

补充企业知识、当前状态和之前发生过的事情。

04

Tools

查询数据、调用 API、写入系统或触发真实动作。

05

Orchestration

管理步骤、重试、分支、人工审批和多个 Agent 协作。

06

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。
企业 Agent 四层参考架构:模型与数据作为底座,其上依次是通用能力、平台治理和业务应用
图解:业务价值由下向上建立。越靠近底层越通用,越靠近顶层越贴近具体业务。
  1. 01模型与数据
  2. 02检索、记忆与工具
  3. 03评测、权限与观测
  4. 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”。

04

业务应用层

员工助手 · 客户服务 · 运营分析 · 流程自动化

创造价值
03

Agent 编排层

任务规划 · 工作流 · 多 Agent · 人工审批 · 状态管理

组织行动
02

企业能力层

RAG · 记忆 · 工具/API · 权限 · 评测 · 观测 · 安全

连接与治理
01

模型与数据层

基础模型 · 专用模型 · Embedding · 企业数据 · 算力

提供能力

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

PRODUCTION CHECK

上线前必须同时回答 6 个问题

  1. 01它能访问什么数据?
  2. 02它可以执行哪些动作?
  3. 03高风险动作由谁批准?
  4. 04如何判断结果正确?
  5. 05失败时怎样回退?
  6. 06如何记录与追责?

CHAPTER 05 · 场景实践

不要从“做一个 Agent”开始,
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。
Agent 落地路径:从候选任务池筛选窄任务,完成人机协同试点和安全评测,再沉淀为平台能力扩展到更多团队
图解:不是把所有需求一次性 Agent 化,而是沿着可验证的路径逐级放大价值。
  1. 01收集任务
  2. 02筛选窄场景
  3. 03人机试点
  4. 04评测与护栏
  5. 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

  1. 01
    选一个窄任务

    边界清晰,最好两到四周能验证。

  2. 02
    建立基准线

    先记录当前耗时、成本、准确率和体验。

  3. 03
    人机共同运行

    让人审核关键结果,收集真实失败样本。

  4. 04
    评测与加护栏

    修复高频失败,并明确停止与升级条件。

  5. 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?

01 / 03

THE END IS A START

好的 Agent,不是最像人的那个。
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