什么才叫真正的 Agentic 系统

大多数作为 Agent 推出的产品，不过是在模型调用外面包了一层更漂亮的壳。这不是对产品的批评，而是一个定义问题——而这个定义之所以重要，是因为让系统真正具备 Agent 能力的四个要素，同时也是它最容易出问题的四个地方。

The Loop, Not The Model

标准的语言模型调用是无状态的、一次性的。你发送一个提示词，得到一个响应，交互就结束了。模型不会决定接下来发生什么，也不会评估自己的答案是否足够好。这两件事都由你来做，或者由你的应用来做。

Agent 反转了这种关系。同一个模型置身于一个控制循环中：输入一个目标，模型选择一个动作，工具执行，模型读取结果，调整计划，然后继续，直到目标达成或者它得出结论认为无法到达。模型本身没有任何变化。循环本身就是整个产品。

这就是为什么换用一个更强的模型很少能解决一个表现不佳的 Agent。问题几乎从来不在生成这一步。

有四个要素区分了一个 Agent 系统和普通调用，值得你诚实地对照自己的系统进行检查。

Goal directedness（目标导向）。它接收的是一个目标——部署这个修复、研究这些竞品、解决这张工单——而不是一个需要回答的问题。

Tool use（工具使用）。它能够执行超越生成文本的操作：调用 API、查询数据库、读取文件、运行代码、发送消息。

Planning autonomy（规划自主性）。它自己决定步骤的顺序，而不是由开发者预先规定每一个步骤。

Self correction（自我修正）。它评估自己的输出，当发现某一步失败或返回结果不完整时，会注意到这一点并以不同的方式重试。

并非每个系统都需要在这四个要素上都达到高强度。一个四个都不具备的系统只是模型调用。具备前三个但没有第四个的系统是生产环境中最常见的形态，而且是最昂贵的形态，因为它会自信地失败，而循环中没有任何东西注意到。

Where Agents Break In Production

第一个断裂点是记忆层。一个无法回忆自己已经尝试过什么的 Agent，会在下次运行时重新推导同样的失败计划，而你为此付了两次钱。更长的上下文窗口解决不了这个问题，只是把遗忘移到了缓冲区中间——而那里恰好是检索准确率最差的位置。

第二个是成功信号。把一项工作交给 Agent，只有当这项工作有明确的成功定义时才是划算的交易。排名审计、定时报告和工单分类有这样的定义。定位和战略则没有，而给 Agent 分配这些任务产出的输出，团队里没有任何人能评估。

第三个是成本形态。一个无法判断何时完成的循环会一直运行下去，而账单随迭代次数而非请求次数增长。大多数团队是在第一个月之后才发现这一点，而不是之前。

如果你想要更详细的版本——循环、核心模式、记忆层以及生产环境的实际成本——可以阅读 Agentic AI: How Autonomous AI Systems Work。

简短的结论：Agent 不是更聪明的提示词，而是一个带有记忆和停止条件的循环。把这两件事做对了，你选择的模型就远没有你想象的那么重要。