第 8 讲　认识 AI Agent：从聊天到干活

从这一讲开始，AI 不再只是"陪你聊"，而是要替你"动手干"。本讲是整个 Agent 篇（第 8–10 讲）的地基。

一、本讲学习目标

完成本讲后，你应该能够：

1. 说出 AI Agent（智能体） 与 Chatbot（聊天机器人） 的本质区别——"说"与"做"；
2. 用"数字同事"的类比，说明 Agent 的四要素：模型（大脑）、工具（双手）、记忆（笔记本）、自主规划（拆步骤）；
3. 解释 Agent 为什么能操作你电脑里的软件：工具调用的机制与 MCP（模型上下文协议）的作用，并能用"想一想 → 动手 → 看结果"的工作循环（ReAct）描述 Agent 是怎么干活的；
4. 完成 Agent 工具的安装登录，牢记并执行安全使用三原则；
5. 成功下达第一个本地文件操作任务，并验收 Agent 的执行结果。

二、课前准备

• 无需编程基础：本课程不教写代码，教的是"调度"——把需求说清楚、看懂汇报、验收结果。
• 机房电脑已由教师完成 ZCode（命令行 Agent，接入 GLM 等模型）的安装与登录；自带电脑的同学请提前安装并确认能登录。
• 带上前 8 讲积累的个人提示词库：你马上要用它来指挥一位"新同事"。
• 回顾"数字同事"术语地图（课程知识图谱页），本讲会反复用到。

三、核心概念精讲

1. 从"会说"到"会做"：Agent 与 Chatbot 的区别

前 8 讲里你使用的 AI（智谱清言、DeepSeek 等）本质上是聊天助手：它像坐在你旁边的顾问，擅长解释、分析、提建议、写草稿——但它从不真正碰你的电脑。你请它"整理实验数据"，它只能给你一段"整理建议"。

Agent 则像一位能接任务的数字同事：你给它一个目标，它会自己思考步骤、调用工具、动手执行、检查结果，最后交付一个实实在在的成果——一个文件夹、一份文件、一张图表。一句话概括两者的区别：

2. Agent 四要素：一位数字同事的"岗位配置"

沿用入门材料的类比，一个能干活的 Agent 由四部分组成，缺一不可：

这也解释了为什么光有强大的大模型还不够：大脑再强，没有"双手"就只是顾问，没有"工作方法"就干不稳活。有一个很好的概括——Agent 的基本脚手架是命令行执行与文件读写这两件基础工具；而要稳定可靠，还需要上下文（知道任务背景）和领域专业知识（知道这类活该怎么干）。

还可以把四要素压缩成一个更简洁的公式：

3. Agent 为什么能"动"你的电脑？

先用一个最小的例子看清"多了一步"意味着什么。你在普通对话助手里问："明天上海天气怎么样？"如果它不能联网，它能告诉你上海在哪、八月一般很热，甚至一本正经地提醒你带伞——但它唯独不知道明天到底下不下雨，因为它没有明天的天气数据。现在给模型一个能力：get_weather(城市, 日期)，再问一次，事情就变了：

1. 模型判断：这个问题需要实时数据 → 调用工具 get_weather("上海", "明天")；
2. 外部世界返回结果：小雨，27–33℃，降水概率 80%；
3. 模型拿到结果，组织回答："明天上海大概率有雨，出门记得带伞。"

以前的链条是"你 → 模型 → 回答"；现在变成了"你 → 模型判断该干什么 → 调用工具 → 外部世界返回结果 → 模型继续判断 → 回答"。就多了这么一步，但模型第一次不只是"说"，它开始"做"——这大概就是理解 Agent 最好的入口。

很多同学的第一反应是警惕："AI 能删我的文件？"——这里有一个关键机制要澄清：

那 Agent 怎么连接五花八门的外部软件呢？不同软件的接口各不相同，就像不同品牌的电器各有各的插头。于是业界制定了一套统一标准——MCP（Model Context Protocol，模型上下文协议）。

技能（Skill）则是预先打包好的"工作方法包"：菜谱（方法）教 Agent 怎么做一道菜，菜刀和炒锅（工具）负责真正切炒。第 5 讲你写的"结构化提示词卡"就是技能的雏形——把一次性的提示词沉淀为可复用的方法。后续两讲（第 10、11 讲）你会看到 Agent 借助技能稳定地操作 Office 与处理实验数据。

4. 真正关键的，不是工具，而是"下一步由谁决定"

会调用工具，还不足以叫 Agent。有一个例子点破了分界线——假设你有一个数据处理脚本跑不起来，把它丢给 AI："帮我把它修好。"有两种做法：

做法一：写死的固定流程（Workflow）。"读配置 → 装依赖 → 跑测试 → 把报错发给模型 → 让模型改文件 → 再跑测试"。每一步做什么、什么顺序，都是人提前安排好的。它当然也用了大模型、也用了工具，但模型更像流水线上的一台机器——流程是人写死的。

做法二：只给目标，让它自己定步骤。只告诉它"这个脚本跑不起来，修好它"。它先看一眼目录里有什么，读说明文件，查 Python 版本——发现版本不对；但它没有立刻"宣布破案"，而是继续跑测试，又发现三个报错；于是去读依赖清单，装上缺的包，再跑；还有测试没过，就继续看代码、改、再跑……直到全部通过。注意关键的一处：没有任何人事先告诉它"第几步必须读依赖清单"——是它看到报错以后，自己判断下一步该读什么。

后一种做法的整个过程，就是一个循环：

while 任务没完成:
    看看现在发生了什么          # 观察
    下一步 = LLM(目标, 当前信息, 可用工具)  # 想一想
    执行结果 = 执行(下一步)      # 动手
    把执行结果放回上下文         # 喂回去，进入下一轮

这个循环还带来一个重要的观念转变，直接关系到本课程反复强调的"验收"：评价一个 Chatbot，看它回答得好不好；而评价一个 Agent，要看事情到底有没有被做完。文章里有个扎心的例子：让 AI 整理"本周值得关注的 AI 开源项目"，普通聊天助手看到任务立刻动笔，标题、介绍、结尾金句一应俱全，看着挺完整——可它根本没去看这周的项目列表。"文字像答案，不代表任务真的完成了。"所以从本讲起，你的每个任务单都写明完成标准：不是"AI 回答得像不像回事"，而是"成果在不在、对不对、能不能用"。

5. Agent 的常见形态

Agent 不是某一家公司的专利产品，按"住在哪里"大致分四类，本课程都会见到：

四、物理场景案例演示

课堂开场，教师会现场演示"一句话布置任务"。下面是演示用的完整提示词，请注意它和前 8 讲的提示词有个重要区别：它描述的是"要达成的结果"，而不是"要回答的内容"。

在 D:\物理学习 目录下，为本学期创建课程文件夹树：
力学、电磁学、热学、光学、物理实验，共 5 门课；
每门课下面再建 3 个子文件夹：讲义、作业、数据。
说明：目录名含中文属正常情况，直接创建即可；已存在的目录不要重建，汇报即可。
最后生成一个 README.txt，说明整个目录的用途，
并列出你创建的所有文件夹路径（用相对路径），供我逐条验收。

【Agent 的执行汇报】共创建 16 个文件夹 + 1 个 README.txt：
物理学习/力学/讲义　物理学习/力学/作业　物理学习/力学/数据
物理学习/电磁学/讲义　物理学习/电磁学/作业　物理学习/电磁学/数据
物理学习/热学/讲义　物理学习/热学/作业　物理学习/热学/数据
物理学习/光学/讲义　物理学习/光学/作业　物理学习/光学/数据
物理学习/物理实验/讲义　物理学习/物理实验/作业　物理学习/物理实验/数据
物理学习/README.txt（说明整个目录的用途，全文见下）

【目录树】tree /F 命令实际输出：
卷 新加卷 的文件夹 PATH 列表
卷序列号为 000000D8 525D:3079
D:\DESKTOP\人工智能应用基础\DEMO_RUNS\CH09\物理学习
│  README.txt
│
├─光学
│  ├─作业
│  ├─数据
│  └─讲义
├─力学
│  ├─作业
│  ├─数据
│  └─讲义
├─热学
│  ├─作业
│  ├─数据
│  └─讲义
├─物理实验
│  ├─作业
│  ├─数据
│  └─讲义
└─电磁学
    ├─作业
    ├─数据
    └─讲义

【README.txt 全文】
《物理学习》课程资料目录说明
================================

本目录用于集中存放本学期 5 门物理课程的全部学习资料，
按“课程 → 资料类型”两级结构组织，共 5 门课、15 个子文件夹。

一、目录结构
  物理学习/
  ├── 力学、电磁学、热学、光学、物理实验（5 门课程文件夹）
  └── 每门课下设 3 个子文件夹：
      ├─ 讲义：课堂讲义、课件、板书照片
      ├─ 作业：课后作业题目与本人作答
      └─ 数据：作业与实验产生的数据文件、图表

二、使用约定
  1. 每门课的资料只放入对应课程文件夹，不跨课程混放；
  2. 文件命名建议“日期_主题”，例如 20260915_单摆周期测量.csv；
  3. “数据”文件夹存放原始记录，只增不改；确需修改先备份副本；
  4. 目录结构如有调整，请同步更新本 README。

（本 README 由 AI Agent 依课程第 8 讲演示任务生成，供验收核对。）

看完演示，请思考：如果只说"帮我建个学习文件夹"，效果会差在哪里？（答案藏在本讲自测第 5 题。）

五、课堂实操任务单

任务①　新建三个子文件夹
指令：在练习目录内创建“课程笔记”“实验数据”“AI 作品”三个文件夹。
实际执行：创建目录命令（mkdir）+ 查看结果（ls），输出为——
AI 作品
实验数据
课程笔记
实测提示：“AI 作品”中间含空格，命令行里必须用引号包住，否则会被当成两个名字；
在对话里下指令则不必操心，把名字原样说给 Agent 即可，它会自己处理引号。

任务②　生成自我介绍.txt
指令：在练习目录内生成“自我介绍.txt”，内容包含姓名、专业、本学期使用 AI 的一个小目标。
实际生成的文件，全文如下——
自我介绍（课程示例，人物信息为虚构）
====================================

姓名：李衡（示例）
专业：物理学专业 本科二年级

简介：喜欢动手做实验，也喜欢把测量得到的数据整理得干干净净。
上学期《力学》课程的单摆实验让我第一次体会到：数据整理比测量本身还费时间。

本学期使用 AI 的一个小目标：
学会指挥 AI Agent 替我完成数据整理类杂活——先备份、再整理、最后逐条核对，
把省下来的时间用在思考物理问题本身。

任务③　读取自我介绍.txt 并总结
指令：读取“自我介绍.txt”并总结内容。
实际执行：Agent 用读文件命令（cat）取出全文（与任务②所示一致），随后给出总结——
总结：这是一份物理学专业本科二年级学生（示例人物“李衡”）的自我介绍。
他喜欢动手做实验、把测量数据整理得干净整齐，曾因《力学》单摆实验感到数据整理很费时间；
本学期 AI 使用小目标：让 Agent 代办数据整理类杂活，坚持“先备份、再整理、最后逐条核对”，
把省下的时间用于思考物理问题本身。
验收核对：要点齐全，但它漏了两处细节——“上学期……第一次体会到”的经历表述被压缩成一句感受，
首行“人物信息为虚构”的声明也未复述。逐条核对，正是任务③要训练的习惯。

讨论（第 2 节结尾）：哪些事你敢交给 Agent？哪些不敢？为什么？——"敢与不敢"的边界，就是权限意识的起点。

六、常见坑与翻车案例

• 坑①　不说清位置："帮我建个文件夹"——Agent 在它当前所在目录建完了事，你找了半天没找到。解法：给根路径，或开工前先明确工作目录。
• 坑②　"随便整理一下"：没有规则的整理无法验收——Agent 按它的理解分好类，往往不是你的习惯。解法：先定规则，再执行；规则本身就是验收标准。
• 坑③　一上来就给最大权限：让 Agent 访问整个磁盘图省事，一旦指令有歧义，误伤范围也被放大。解法：最小授权，练习期只在练习目录内操作。
• 坑④　不看汇报就关窗：Agent 说"已完成"不等于"完成得对"，执行汇报必须逐条核对。解法：要求 Agent 列出"改动了什么、在哪里"，你亲自打开看。
• 坑⑤　报错就不敢继续：看到一屏报错就慌了。其实报错是给 Agent 看的病历——把报错原文完整贴回，让它自己修（第 9 讲将系统训练这个习惯）。

七、自测

八、课后作业

九、进阶拓展（选学）

🎓 Skills、Tools、MCP、Subagents 到底怎么分工？（为第 9–10 讲打底）

一张对比表讲清了 Agent 生态中的四个角色。你可以先记住前两行，后两行在第 10、11 讲用到时再回头看：

组件	它是什么	一个类比
工具（Tools）	底层执行能力：读写文件、执行命令、搜索网页	锤子、锯子、钉子
技能（Skills）	打包好的工作方法与专业知识，让 Agent 稳定可复用地干活	"怎么打造一个书架"的图纸
MCP	连接外部系统与数据的统一协议	通用插座
子代理（Subagents）	由主管 Agent 分派的专项助手：独立上下文、有限权限，干完汇报	主管手下的专项实习生

还有一个值得提前知道的机制——渐进式披露：工具的定义会一直占用上下文窗口，而技能只在需要时才被加载。就像同事不必把公司所有规章都摊在桌面上，接到哪类活再翻哪本手册——省下的正是最贵的"桌面空间"（上下文容量）。

想深挖的同学，可阅读 agentskillsdev.com 的中文深度手册（含 Claude Code 架构解析；课程以 Claude 为例讲解原理，课堂使用 ZCode 演示），作为课堂内容的延伸。