Agent 分类

返回 Agent 开发笔记合集

1、定义

Agent 可以按自主程度、工具能力、任务范围、执行环境和协作方式分类。不同分类方式关注的问题不同。

分类的目的不是给概念贴标签，而是帮助判断一个系统需要多强的规划、状态、权限和观测能力。

一个只回答问题的助手，和一个能读写文件、创建 PR、发邮件的 Agent，工程复杂度完全不同。

2、为什么它重要

Agent 类型决定了风险模型。

越自主、越能执行真实动作，就越需要权限、沙盒、审批、Trace、回滚和评测。

对产品来说，先明确 Agent 类型，可以避免把简单助手设计成过度复杂的自主系统，也可以避免把高风险执行系统当成普通聊天机器人。

3、常见分类方式

同一个产品可能同时属于多个类型。比如 coding agent 通常既是工具型，也是自主型，还可能运行在本地沙盒中。

4、Reactive 与 Deliberative

Reactive 更快更稳，Deliberative 更灵活但成本和风险更高。

5、一个 Agent 开发例子

比如做一个“个人知识库助手”，可以分阶段设计：

第一阶段：聊天型 Agent
- 只能基于文档回答问题
- 不写入任何数据

第二阶段：工具型 Agent
- 可以搜索、引用、总结文档
- 可以生成笔记草稿

第三阶段：工作流型 Agent
- 用户确认后自动创建笔记
- 自动打标签、加双链、归档

第四阶段：自主型 Agent
- 定期扫描未整理材料
- 提出整理建议
- 高风险动作等待确认

每升级一个阶段，工程控制也要跟着升级。

6、常见误区

误区一：Agent 越自主越好

不是。自主性越高，风险和调试难度越高。很多业务更适合 Workflow + 局部智能。

误区二：聊天机器人不算 Agent

要看定义。如果它只是回答文本，Agent 属性较弱；如果它能带目标、状态和工具完成任务，就更接近 Agent。

误区三：多 Agent 一定比单 Agent 强

不一定。多 Agent 会增加协调成本、上下文传递成本和错误传播风险。

误区四：研究 demo 可以直接产品化

通常不行。产品 Agent 需要权限、沙盒、审批、可观测、稳定性和成本控制。

7、一句话总结

Agent 分类的意义，是根据自主性、工具能力和风险，选择合适的工程控制。不是所有问题都需要最自主的 Agent。

参考资料

• Anthropic: Building effective agents
• OpenAI API Documentation