1. Agent 的定义没有唯一答案
Agent 常译为“智能体”。它不是个新概念，早期 Agent 研究并不依赖今天的大语言模型。
早在 1990 年代，人工智能研究者就已经系统讨论 Agent。当时常见的理解是：它能够接收环境信息、采取行动、追求目标，并在情况变化时作出反应；有些研究还会讨论多个 Agent 怎样协作。那时，人们对 Agent 的边界就没有统一意见，围绕“什么是 Agent”这件事争论个不停。
等大语言模型流行以后，人可以直接用自然语言交代目标，模型参与理解和判断，软件再连接文件、搜索、浏览器或其他工具。Agent 因而从研究和工程概念转向可以落地到用户端的软件能力。
几家前沿科技公司的关注重点仍然不同：
OpenAI 关注“能不能代表用户完成任务”。 模型参与管理过程和作出决定，工具负责获取信息或采取行动，指令与限制规定它怎样做。
Anthropic 关注“下一步由谁决定”。 路线主要由程序提前写好，更接近 Workflow；模型能根据情况选择步骤和工具，更接近 Agent。
Google 关注“能不能计划并执行行动”。 它把今天的 Agent 概括为能够理解用户输入、计划下一步并代表用户行动的软件；工具和权限决定它实际能做什么。
但这些说法共同指向四件事：有目标、会判断、能使用工具、能够推进任务。 分歧主要在于系统应该自主到什么程度，以及什么程度才配叫 Agent。
2. 这本手册Agent的定义，以及 Agent 是怎样组成的
对于Agent，本手册采用下面这个实用定义：
Agent 是一个围绕目标工作，由模型参与判断，能够使用工具，并根据行动结果继续、调整或停止的软件系统。
Agent 最核心的三样构成：模型、工具和指令
OpenAI 和 Cursor 的官方说明都把现代 Agent 的核心归纳为模型、工具和指令。先不要把它们记成三个孤零零的名词，下面这张表一次把每一项讲清楚。
| 核心组成 | 它是什么、负责什么 | 从哪里来、常见形式 | 常见例子 |
|---|---|---|---|
| 模型 Model | 一种经过训练、能够处理信息的程序；负责读懂要求、分析资料、生成内容并参与判断下一步 | 由 OpenAI、Anthropic、深度求索等公司训练，再被 AI 应用或 Agent 系统接入；相应软件可能允许用户选择模型，也可能在后台自动选择 | GPT、Claude、DeepSeek 等模型家族；它可以判断“下一步应读取哪份文件”，但模型本身不等于完整 Agent |
| 工具 Tools | Agent 可以调用的一项项实际能力；负责取得资料、执行动作或检查结果，把模型的判断变成外部操作 | 由 Agent 软件内置，或通过插件、MCP 等外部连接接入；每个工具都有自己的功能、参数和权限范围，这些连接方式会在后文解释 | 读取文件、搜索网页、查询资料库；创建文档、修改表格、运行命令；核对格式、运行测试、比较修改前后的差异 |
| 指令 Instructions | Agent 工作时需要遵守的要求和规则；负责说明任务怎么做、哪些不能做、什么情况必须停下来 | 可以来自用户本次输入的 Prompt、Agent 软件预设的系统规则、项目规则文件、Skill 中保存的做法，以及管理员设置的工作规则 | “只创建新文件”“引用必须带来源”“最多尝试三次”“发送邮件前必须让我确认” |
三者的关系可以压缩成一句话：
模型负责理解和判断，工具负责实际行动，指令负责规定做法与边界。
除了三样东西持续工作，还需要一套运行结构
模型、工具和指令构成了基础，但要让它们围绕同一件事连续、可控地工作，还需要一套运行结构：
| 运行部分 | 解决什么问题 | 新人用户可以怎样理解 |
|---|---|---|
| 目标 Goal | 最终要交付什么，什么时候算完成 | 任务的终点，例如“交付一份含五个问题的报告” |
| 上下文 Context | 模型这一步可以依据哪些信息 | 当前摊在它面前的任务要求、资料、规则和过程结果 |
| 循环 Loop | 做完一步后怎样根据结果继续 | 判断下一步—使用工具—查看结果—再次判断 |
| 控制 Control | 它能做什么，什么情况必须停下 | 文件、网络和工具权限，以及删除、发送、付款前的人工确认 |
| 运行环境 Runtime | 上面这些部分实际在哪里工作，能接触哪些资源 | 用户电脑、指定项目目录或隔离的云端沙箱 |
因此可以这样理解：模型、工具和指令是 Agent 的核心工作组件；目标、上下文、循环和控制把这些组件组织成一个可以持续运行的系统。运行环境则是这套系统实际工作的地方。
Chatbot（聊天机器人）和 Agent，融合越来越深
Chatbot（聊天机器人）说的是以对话为主的 AI 应用形态；而Agent 说的是围绕目标连续行动的系统能力和工作方式。
你在网页或 App 的聊天框里问一个问题，AI 回答完就停下，这次使用更接近 Chatbot。你交代一个目标后，系统开始读取文件、调用工具、检查结果，并根据情况继续下一步，这次使用更接近 Agent。
所以，两者并不是非此即彼。同一个 AI 应用既可以提供普通聊天，也可以提供 Agent 模式。比如 ChatGPT 可以作为聊天入口，也可以承载 Codex 等 Agent 能力；真正需要观察的，不只是它有没有聊天框，而是它会不会围绕目标调用工具并继续推进任务。
3. 从模型到 Agent 产品，可以分成五层
很多混乱印象，来自平台上的一些表达把模型、工具、入口、其他软件和 Agent 软件混在一起。下面采用五层分类。它不是行业标准，而是这本手册帮助新人用户辨认这些对象的方式。
| 类别 | 例子 | 主要作用 | 与 Agent 的相关性 |
|---|---|---|---|
| 模型层 | GPT、Claude、Gemini、Grok、DeepSeek、Qwen、Kimi、GLM、豆包 | 理解输入、生成内容并参与判断 | Agent 的核心技术，但模型本身不是完整 Agent |
| 工具层：内置工具 | 文件读取、网页搜索、代码执行、表格写入、浏览器操作、图像生成 | 让 Agent 获取信息、执行动作或检查结果 | 是 Agent 可以直接调用的能力；单个工具不是 Agent |
| 工具层：插件与扩展 | 浏览器插件、IDE 扩展、Agent 插件、Connector | 给原有软件增加新入口或能力 | 插件不等于具体工具；它可以包含工具，也可以包含界面和规则 |
| 工具层：MCP | 连接文件、数据库、日历或消息服务的 MCP Server | 用共同协议把外部资料和能力接入 AI 应用 | MCP 是连接协议，不是工具本身；MCP Server 可以向 Agent 提供工具入口 |
| 入口层：对话入口 | Chatbot 网页聊天框、App、消息软件 | 用户输入要求、查看过程和接收结果 | Chatbot 可以只做问答，也可以成为 Agent 的操作入口 |
| 入口层：工作界面 | 编辑器侧栏、终端窗口、TUI、任务面板、云端控制台 | 让用户在具体工作环境中交代任务、查看修改和批准动作 | 同一个 Agent 可以同时拥有多个入口；使用终端或编辑器不代表它一定是 Agent |
| 入口层：程序入口 | API、定时任务、消息触发、后台队列 | 由软件或预定事件发起任务 | Agent 产品也可以按预定事件自动开始任务 |
| 其他软件层：CLI 软件 | 普通命令行程序、Git、PowerShell，以及带 AI 的 CLI 程序 | 让人通过文字命令操作软件 | CLI 既可指命令行界面；普通 CLI 不是 Agent；Agent 软件也可以采用 CLI 形态 |
| 其他软件层：IDE 与代码编辑器 | VS Code、Cursor、Zed、JetBrains 系列 | 查看、编写和修改代码，并整合调试、终端等开发工具 | 不等于 Agent，但可以内置 Agent 模式或接入 Agent 插件 |
| 其他软件层：办公与自动化软件 | Word、Excel、Notion、Obsidian、浏览器、自动化平台 | 提供文档、表格、网页或流程的工作环境 | 软件本体通常不是 Agent，但可以成为 Agent 的工作现场并接入 Agent 功能 |
| Agent 产品层：面向用户的产品或模式 | Codex、Claude Code、Gemini CLI、Cursor Agent | 把模型、工具、指令、循环、运行环境和控制组合起来，直接完成任务 | 这是现在日常讨论中最常被称为 Agent 的一类产品或模式 |
| Agent 产品层：可自行部署或改造的系统 | OpenCode、OpenClaw、Hermes Agent、Pi | 让用户自行部署、选择模型、扩展工具或改造运行方式 | 同样属于 Agent 产品、Agent 系统或 Harness，但开放程度、用途和安全边界差异很大 |
把主要品牌和开源项目放回各自位置
同一个名字有时会横跨公司、模型和 AI 应用，确实容易把人绕晕。先看三个例子：
OpenAI、GPT、ChatGPT 和 Codex：OpenAI 是公司，GPT 是模型家族。ChatGPT 是面向用户的综合 AI 应用，可以承载聊天、办公和 Agent 等多种工作方式。Codex 是 OpenAI 的 Agent，既可以在 ChatGPT 桌面应用中使用，也可以通过 CLI、IDE 扩展和云端等入口运行。
Anthropic、Claude 和 Claude Code：Anthropic 是公司，Claude 既是模型家族的名称，也是面向用户的综合 AI 应用。Claude Code 是 Anthropic 的 Coding Agent，可以在 Claude 桌面应用中使用，也可以通过 CLI 和 IDE 等入口运行。
Cursor 和 OpenCode：Cursor 是一款 AI 代码编辑器，其中带有 Agent 模式；OpenCode 是开源 Coding Agent，可以选择不同模型。它们说明，Agent 既可能是某个软件中的一种模式，也可能是一套独立的软件。
这里不用记品牌全家桶。只要看清：公司负责推出模型或软件；模型提供理解和生成能力；AI 应用让人使用这些能力；Agent 软件或 Agent 模式进一步把能力用于连续完成任务。更多品牌和开源项目的对应关系，集中放在附录一。
4. 模拟任务：用户访谈整理
你是一个用户调研员，刚刚帮项目组完成一轮新品调研，电脑里放着 20 份刚出炉的用户访谈记录。你需要尽快向项目组提交一份总结，找出用户反复提到的五个核心问题，同时保留每项结论的原文依据。逐份阅读和整理很费时间，于是你准备把这项任务交给 Codex。
你打开 ChatGPT 桌面应用，切换到 Codex，打开存放访谈记录的文件夹，然后在对话框中交代：
请读取这个文件夹里所有的用户访谈记录，找出用户反复提及的五个核心问题，整理成一份 Markdown 报告放在文件夹里。
注意： 1）每个问题都要包括问题分析与总结、在多少份访谈中出现、原文依据和相关访谈记录列表。 2）如果需要分析用户特征，只能使用访谈中明确提供的信息。 3）创建新文件，不修改任何原始访谈记录。4）不要联网补充资料。 5）如果资料不足，请停下来告诉我，不要自行补充。
这时可以分成三层看：
产品与入口：Codex 是 Agent；ChatGPT 桌面应用是你使用它的一个入口；它工作的文件夹或沙箱是运行环境。
核心技术组成：大模型理解文档中的访谈文字，并判断下一步；工具读取、搜索和写入文件；指令规定报告格式、依据要求和禁止事项。
任务运行过程：目标是交付五个有依据的问题；上下文包括用户要求、访谈文件和过程结果；循环让它读一份、看结果、再读下一份并检查报告；控制限制文件范围，并让它在资料不足或需要额外权限时停下来问人。
把原来的八项逐一对应，就是：
| 八项观察清单 | 在这个 Codex 任务中是什么 |
|---|---|
| 目标 Goal | 一份包含五个高频问题、每项附原文依据的 Markdown 报告 |
| 模型 Model | 理解访谈、归并相近表达并判断下一步 |
| 指令 Instructions | 你提出的不改原件、不自行联网、资料不足时停止等要求 |
| 上下文 Context | 任务要求、访谈文件、项目规则和已经取得的结果 |
| 工具 Tools | 读取文件、检索访谈内容、创建报告和检查保存位置 |
| 循环 Loop | 重复读取、整理和检查，直到覆盖全部访谈，并确认五个问题都有依据 |
| 控制 Control | 只访问指定范围，越界或高风险动作先问人 |
| 运行环境 Runtime | Codex 在你电脑上打开的这个访谈文件夹，及其沙箱限制 |
5. 一句话释义
- Agent 是一个围绕目标工作，由模型参与判断，能够使用工具，并根据行动结果继续、调整或停止的软件系统；桌面应用、CLI 和 IDE 是它可能采用的入口或形态。