温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者： 丁闪闪 (连享会)
邮箱： lianxhcn@163.com

 

• Title: AI Agent 到底是什么？一次理清 LLM、Chatbot、Workflow 与 Agentic
• Keywords: 智能体, 大语言模型, 多智能体系统, 模型上下文协议

 

提要：同样是让 AI 修正回归代码，可能由人安排步骤，也可能由程序或模型接手。本文用一个极简案例，辨清模型、对话应用与任务执行机制，解释 Workflow 的两种含义、Agentic 的用法及权限约束，帮助读者准确描述自己的 AI 系统。

• Sources: Anthropic (2024), OpenAI (2025).

---

1. 同一份代码，三种完成方式

把一份出错的 Stata do-file 交给 AI，它指出变量名拼错了。你照着修改，代码顺利运行。另一个系统也修正了这个错误，却从头到尾没有让你手动运行 Stata。两者都能 debug，为什么后者经常被叫作 Agent？

只看最后的答案，很难区分。我们还要知道：谁运行了代码，谁取得报错信息，又是谁决定下一步检查什么。

下面构造一个教学场景。三种方式使用同一个底层模型，处理同一个任务；只比较工作怎样组织，不比较成功率。

贯穿案例：让一份 do-file 生成回归表

项目已有数据、变量说明和回归脚本。任务是按既定模型生成结果表，但脚本无法完成运行。为便于讲解，假设数据中的变量叫 growth，脚本误写成了 growht。允许修正实现错误，研究设定保持既定要求。这个例子由本文构造，后面的处理过程均为示意。

1.1 人主导的对话协作

你把脚本贴进聊天窗口，模型建议检查变量名。你运行 Stata，复制报错，再把变量列表和说明发给模型。模型据此建议将 growht 改为 growth。你核对后修改、重跑，再检查回归表。

这里已经发生了反馈与修正。模型也参与了 debug，但运行软件、传递信息和推进任务的工作主要由你承担。不能因为系统通过聊天交流，就断言它完全无法纠错。

1.2 预先编排的流程

开发者可以把这套操作写进程序：运行脚本；若报告变量不存在，就提取变量列表，将相关信息交给模型；模型提出变量名替换建议；程序验证改动范围，应用修改并重跑；仍失败则交还人工。

在这个极简流程中，模型只完成指定的名称核对与替换建议，不能自行增加新的检查操作。分支、重试与停止条件都事先规定。这是一种预先编排的工作流系统，它也可以自动取得反馈并修正错误。

1.3 模型主导的任务执行

另一种安排是给系统提供读取文件、检查数据和运行 Stata 的工具。模型收到目标后，可以先运行脚本，也可以先读项目说明；取得报错后，再决定查看变量、检查数据路径，还是核对命令用法。

在我们的例子中，它可能读取变量说明，确认误拼写，提出修改并重新运行；如果遇到其他问题，则在允许范围内调整检查顺序。研究者无需逐步安排每个操作。这更接近本文讨论的 Agent。

三种方式都可能产生正确结果。区别主要在于，谁组织了完成任务的过程，以及模型获得了哪些观察与行动机会。

图 1：同一代码任务的三种组织方式：人、预设程序与模型分别承担流程组织工作

读图时看回路由谁推动。第一种由人调用模型、运行软件并传递反馈；第二种由预设程序安排环节；第三种由模型根据工具返回的信息选择操作。图中第三种方式仍受到工具权限和停止条件的约束，不能由此推断它一定做得更好。

2. LLM、Chatbot 与 Agent 分别指什么

2.1 模型与使用模型的系统

AI (Artificial Intelligence，人工智能) 是上位概念。生成式 AI 侧重生成文本、图像、代码等内容；LLM (Large Language Model，大语言模型) 则是一类语言模型。本文中的模型用来理解任务、分析报错并生成建议或操作请求。

LLM 与围绕它搭建的应用需要分别讨论。 同一个模型可以接在聊天窗口后面，也可以嵌入固定程序，还可以成为 Agent 的决策部件。仅知道模型名称，无法知道它能否读取本地文件、调用 Stata 或保存结果。

模型生成了运行命令，也不等于命令已经执行。应用必须实际调用相应工具，取得返回信息，再决定怎样把这些信息交给模型。这是从“写出操作”到“完成操作”的一个具体区别。OpenAI (2025) 的构建指南也分别讨论模型、工具与指令，而非仅凭模型名称描述整个 Agent。

2.2 Chatbot 主要说明怎样与人交互

Chatbot 通常指以对话交互为主要特征的应用，不宜把它缩减为一个屏幕，也不宜把它限定成“一次性生成”。有的应用只提供文字回答，有的可以接入检索、计算工具或 Agent。一个聊天窗口背后，完全可能运行着多步任务。

因此，Chatbot 与 Agent 的含义可以交叉：前者突出对话交互，后者突出任务怎样执行。判断一个对话应用是否具有 Agent 特征，需要进一步检查后台机制。

2.3 本文所说的 Agent

一般意义上的 Agent 范围较广，例如强化学习也使用这个词。本文主要讨论以 LLM 为核心、在给定目标与约束下动态安排操作的软件 Agent，不覆盖所有智能体理论。Google (2026) 的术语表也区分了生成式 AI 与强化学习语境中的用法。

这种 Agent 通常需要保留当前任务的信息，例如已查看的文件、最近的报错和已经尝试的修改，才能安排后续操作。这里的任务状态不等于必须配备长期记忆，更不意味着每修正一次错误就重新训练模型。

下面这张表用于查词，列出的是观察角度，不是从低级到高级的技术阶梯。

术语	主要描述什么
AI	广泛的技术领域
LLM	使用的模型类型
Chatbot	以对话为主要交互形式的应用
Agent	具有一定自主性的任务执行系统
Workflow	任务流程；特定分类中指预先编排的系统
Agentic	具有 Agent 特征的，常用于修饰系统或流程

写法提醒：AI agent、Agent 与 AI-Agent

首次出现时可写“AI 智能体 (AI agent)”，语境明确后简称 Agent。英文普通名词建议统一写作 AI agent，复数写作 AI agents。本文不把带连字符的写法一律判为语法错误；原文标题、专有名称和期刊要求按其自身格式保留。这个约定解决的是写作一致性。

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。