智能体
一、定义
智能体是一个程序，它把一个大语言模型放在决策位置上：模型的判断会改变程序接下来执行什么。
这是最小的定义。完整形态通常长这样：你给它一个目标和一组可用工具，它自行决定执行步骤、调用工具，读取执行结果后调整下一步，直到判断目标达成或无法达成。但模型的决策权可以小得多——小到只在两个选项里选一个，它仍然是智能体，只是决策空间很窄。后文会展开这条谱系。
它的核心是模型，但它不等于模型。模型的输出是一段文本或一段结构化请求，这段输出本身不执行任何操作；读到它、并代为读文件、跑命令、发请求的，是智能体这段程序。
模型负责判断，程序负责执行。
二、需要哪些部件
一共四个。其中前两项是必要条件，任何智能体都得有；后两项决定它能走多远——决策空间越宽，越缺不了。
① 处在决策位置的模型（必要）
模型的判断决定程序接下来做什么。多数实现通过 API 调用远端模型，也可以是本地部署的模型。模型是可替换的组件，但换模型往往需要重新调整提示词和输出解析，框架结构可以不动。
② 能作用于外部的工具（必要）
搜索、读写文件、执行命令、调用接口。工具是模型作用于外部世界的唯一途径——模型自己什么也做不了。
③ 结果的回流通路（要做第二次判断才需要）
工具执行的结果以模型可读的形式回到它的上下文里。判断一次就结束的智能体不需要这条；只要模型要做第二次判断，缺了它，模型就无从知道上一步成功还是失败。
④ 纠偏循环（完整形态）
前三项反复进行：模型判断、工具执行、结果回流，然后模型带着新信息再判断一轮。这是完整形态的智能体，也是下文所说「决策空间开放」的那一端。
读取现状 → 判断下一步 → 执行 → 读取结果 → 再判断
图注：纠偏循环与四个部件。黄色为模型判断，它决定后续走哪一步
三、换个角度：智能体是模型的框架
把模型从智能体里拿掉，剩下的部分是框架——一套让模型能力得以作用于真实环境的装置。
模型的能力是潜在的。它知道该怎么排查一个 bug，但读不到你的代码；它能判断某个命令该跑，但按不下回车。框架补的正是这一段。
「做什么」由模型决定。该读哪个文件、该改哪一行、该不该重试、任务算不算完成，框架不代替它判断。但框架握着另外两类权力——它不参与选择做什么，只管模型能看见什么、以及要不要放行：
供给什么。上下文里放什么、放多少、上一步结果保留到什么粒度，由框架决定。模型只能基于它看到的内容判断，看不到的内容等于不存在。同一个模型，回传完整报错栈还是只回传一行 failed，产出差别很大。
放不放行。框架可以拒绝执行某个操作、中断跑偏的循环、在结果回流前先做校验。
选择做什么归模型，供给与否决归框架。这也解释了为什么同一个模型接不同框架，实际表现差别明显。
需要注意，框架放大的是模型已有的能力，不创造模型不具备的能力——弱模型配好框架仍是弱模型。放大也是双向的：一个缺乏中断机制的循环，会把一次误判扩散成大量错误操作。（「放大」是类比，不是可量化的定量关系。）
四、分界线在哪里
许多脚本也有错误处理：重试、降级、备用方案。这些路径在编写代码时就已穷举完毕，运行时只是按条件选分支——判断由代码做出，没有模型参与。
但如果出错时把日志交给模型，由模型判断该走重试还是告警，那它已经是一个智能体了，只是决策空间被限制得很小：模型只能在作者给定的几个选项里选。这和「模型自己想出一个未被写入代码的做法」是同一件事的两个刻度，不是两个物种。
还要再加一道限制：模型参与判断不够，这个判断必须改变后续的执行路径。
一段流水线调用模型给文本打标签，然后按固定步骤入库、通知、结束——模型的判断决定了写进去的值，但没有决定接下来走哪一步，路径是写死的。这是把模型当函数用，不是智能体。反过来，出错时模型判断「重试」还是「告警」，程序照此分叉，路径因模型的判断而不同，这就跨过了那道线。
区别在于模型的输出是填充了某个动作的内容，还是决定了接下来执行哪个动作。前者是参数，后者是控制。
判断标准：运行时的关键决策，是代码按条件选出的，还是模型判断出的？前者是脚本。后者要再问一句：这个判断改变了后续的执行路径吗？改变了才是智能体——决策空间可大可小。
两问都要通过：决策由模型做出，且这个决策改变了执行路径。缺前者是脚本，缺后者是把模型当函数用。
图注：两次判定定性，再看决策空间有多宽
按这个标准，智能体内部存在一条连续谱系。
决策空间极窄：模型在给定选项中选一个。比如出错时由模型判定走重试还是告警。
决策空间中等：模型在给定工具集内自行编排调用顺序。比如按需检索、汇总、生成报告的流程。
决策空间开放：模型自行提出未被写入代码的做法。比如会自己改代码、跑测试、换排查思路的编程助手。
越往后能力越强，可预测性越低。这是同一个权衡的两端，不是优劣。
所以「它是不是智能体」这个问题的价值有限，答案往往是「算」。更有信息量的问题是两个：决策空间有多宽，决策指向什么行动。风险大小取决于这两者，而不取决于它叫什么。
五、适用范围
适合「目标明确、路径不确定」的任务：改代码跑测试、多源资料交叉核对、批量处理文件都符合。路径完全确定的重复任务，用脚本更稳定、更快、成本更低。
另外两个条件——错误代价是否可承受、结果是否可验证——决定的不是能不能用，而是决策空间该开多宽。代价越难承受、结果越难验证，就该把决策空间收得越窄，只在少数节点上交给模型判断，其余写死。默认给到全开放，是把最难控的一档当成了起点。
六、风险
模型自身会出错，且出错时表述同样流畅确信——这是模型的问题，不是智能体特有的。智能体特有的风险在于，框架把这些错误接到了真实环境上。
错误会落地，且不一定可逆。差别在损害发生的时点：错误的文本要等到被人采纳才造成损害，中间留着一道拦截的机会；错误的操作在执行的瞬间损害就已发生——文件已删除、请求已发出、款项已支付。而智能体运转时通常没有人在逐条审阅。
错误会沿循环累积。第三步的错误结论会作为既定事实进入第四步的上下文，后续判断在错误前提上继续推进。模型不会主动怀疑上下文里已有的信息，步数越多偏离越远。
执行路径的可枚举性随决策空间下降。决策空间越开放，运行前越无法列出它会做哪些操作，同一任务两次运行路径也可能不同。窄决策空间的智能体仍可枚举——这也是收窄决策空间的主要收益。你能事先审查的是工具边界和权限，不是执行路径。
它无法可靠判断自己是否完成。「任务完成」同样是模型的判断，而判断完成需要对照客观标准。模型能依据的只有上下文，而上下文里大半是它自己写下的内容——它在用自己的说法验证自己的说法。缺少独立的验证结果，这个判断就没有着力点。
四条对应的约束都在框架层：收紧工具权限，为不可逆操作保留人工确认，设置步数上限与跑偏中断，用可执行的校验（测试、类型检查、diff 比对）替代模型的自我报告。
图注：四类风险与对应的框架层约束手段
结语
模型的判断决定走哪一步，框架决定它能看见什么、被允许做什么。实际拿到的能力和风险，都取决于这两者如何组合。