AI Agent（一）：入门

模型、工具与运行时的分工，以及订单调查中的工作流和自主执行。

什么是 Agent

AI Agent 通常指能够围绕目标选择动作、调用外部能力，并根据执行结果继续调整行为的系统。语言模型负责理解任务和提出下一步行动，运行时负责把提议变成受约束的执行。Agent 会根据当前观察选择下一步，固定工作流则按预先编排的程序推进。

例如，用户要求“查清订单 O-1042 为什么还没到”。系统先查询订单，发现已经发货，随后查询物流；若物流没有记录，又转而核对仓库交接凭证。动作序列随观察变化，任务在获得充分证据或遇到明确阻塞后结束。相比之下，固定依次调用订单、物流、仓库三个接口再生成摘要，是预先编排的工作流。

模型的自主范围可以按步骤配置：自主查询只读接口，起草变更，再由审批流程提交。每个任务指定预算、可用工具和完成标准。

模型根据输入中的状态生成文本或结构化动作。工具负责取得新观察或改变环境，例如读取订单、检索配送政策、创建工单。运行时维护消息、检查参数、执行权限判断、调用工具、保存结果并决定是否继续。分开这些职责，也便于分别处理参数错误和接口超时。

模型提出带名称和参数的工具调用，例如 get_order。处理器执行查询，将结果加入状态，再交给模型继续处理。退款等操作也要等业务系统确认后，才能报告完成。

运行时常被称为 harness，即围绕模型的执行支撑系统。它可以只是一个短循环，也可以包含任务队列、持久化和审计。随着恢复、并发和审计需求增加，再扩展相应功能。

订单接口返回的版本和状态作为观察保存，模型对延迟原因的解释另存为判断，并引用对应观察。物流出现派送事件时，追加观察并修正解释，旧记录保留供回查。

固定工作流适用于依赖清楚、分支有限的任务。例如生成发票时，程序先核验抬头，再核对金额，最后生成文件，模型参与字段理解和文本生成。固定路径容易测试，也便于控制最长耗时。

自主执行更适合路径事先难以枚举、但动作结果可以检查的工作。订单异常可能来自地址、仓库、运输或签收争议，系统需要根据证据逐步缩小范围。动态选择可以减少无关查询，也可能增加误判和循环，因此应与固定方案比较实际成功率、调用量及人工接管率。

混合方案允许助手自行决定先查物流还是仓库，操作提交则沿固定状态机执行。程序检查退款金额上限、审批有效性和订单版本。

还可以按错误是否容易发现来选择控制方式。读取了错误订单通常能通过标识检查发现；写错地址可能在配送后才显现，修复代价更高。写操作因此需要更严格的控制。

虚构订单 O-1042 属于客户 C-7，金额为 12800 分，即 128 元，物流记录编号为 L-88。订单系统保存发货状态，承运系统保存交接与派送事件，政策库保存有效期内的售后规则。用户问题是“查明延迟原因并给出可行处理方案”，并没有自动包含退款、改地址或向外部发送消息的权限。

调查结果列出已确认事实、来源和待查事项。订单显示已发货、承运记录只有揽收时，回答“承运记录尚未显示派送”，继续核查包裹状态。超过政策规定的调查时限后，可以建议创建调查单，并列出创建对象和所需信息。

每条观察用 evidence_id、observed_at 和 version 标识来源、时间和版本。核查昨天的客服答复时，用当时的物流状态和政策；处理当前订单时，读取最新状态与适用政策。

分类和字段提取通常用一次模型调用；涉及多个系统的异常调查，可以用工具循环逐步收集证据。选择前先确认业务接口可用，并明确结果的核验方法。

成本由多轮模型推理、工具服务、检索和人工复核共同构成。反复查询同一个问题、为简短摘要启动多个角色，都会增加费用。应先建立最小工作流基线，再针对已观察到的失败引入规划、记忆或多 Agent。

系列中的 Python 示例使用脚本化动作策略，方便观察和测试执行循环。

— 本页完 —