第三章 Agent：智能体的编排与执行

章首：是谁在替你做决定

凌晨一点，你给一个AI助手发去一句话："帮我把公司去年三个季度的销售数据整理成报告，明天早上给我。"说完你合上电脑睡了。第二天七点，报告躺在你的邮箱里——数据齐全、图表规整、连异常波动的可能原因都附了注。整个过程，没有人写代码，没有人写提示词以外的任何指令，甚至没有人确认过"第一步做什么、第二步做什么"。

这件事放在二十年前，会被人当成魔术；放在今天，大多数人只是点点头说一句"AI嘛"。但请停一秒，认真想一个问题：这份报告，到底是谁做出来的？ 不是大模型——它只是"会说话的大脑"；不是哪个程序员——他只在半年前写了通用框架；也不是你——你只说了一句话。真正把"一句话"变成"一份报告"的，是一个看不见的中间层：它接收了你的意图，拆解了任务，调用了数据工具，组织了每一步动作，最后把结果交还给你。它替你做了决定——而它，就是本章的主角：Agent。

人类历史上，"让别人替自己做决定"这件事，从来都是一种权力的让渡。企业把营销交给营销总监，因为专业；国家把货币交给央行，因为秩序。而今天，我们把越来越多的"决定权"交给一个软件系统——它不领工资、不请假、不知疲倦。这究竟是效率的进步，还是某种值得警惕的让渡？曼昆在《经济学原理》里用"机会成本"提醒我们：每一个选择都意味着放弃另一些东西^[10]。当人们把决策交给Agent，放弃的又是什么？是亲手核对的谨慎，还是可以追溯的问责？

这一问，正是本章的起点。本书第一章把Agent比作"你的AI执行长"，第二章给这位执行长装上了大模型大脑，还配了RAG、MCP、提示词三样装备。但"执行长"只是个比喻——比喻让人亲近，也让人模糊。本章要拆开比喻，回答一个更具体的问题：执行长接到任务之后，内部到底怎么转？ 我们会看到，Agent的每一次行动，都是一次"感知→思考→行动→观察"的循环；而这个循环的每一次运转，都在替你做一个"决定"——只是这个决定，小到查一个数字，大到排一条生产线。

值得先想清楚的是，这个循环并非AI时代的发明。1950年，图灵在《计算机器与智能》中问"机器能否思考"时，人类其实已经思考了很久"什么是行动"：一支军队如何执行命令、一个组织如何分解目标、一个工匠如何把图纸变成实物——所有"把意图变成结果"的过程，都共享同一种结构：先想清楚，再动手做，做完看结果，不对就调整。Agent只是把这条人类最古老的行动链，搬进了硅片。它像一面镜子：我们研究Agent如何编排，其实是在研究人类如何行动。

本章五节沿着"本质→部件→协作→边界→实训"展开，每一节都对应一个能在实训平台上动手验证的操作。学完本章，你能说清Agent的每一个动作，也能亲手编排一个会干活的Agent——它查询的不是某个虚构的示例数据，而是数字化转型指数库里5467家上市公司的真实年报词频，或是速卖通7589条跨境评论里134个国家/地区的消费足迹。到那时再回头看凌晨那份报告，你会明白：替你做出那份报告的，不是魔法，而是一套可以理解、可以编排、也可以追问的行动结构。

第一节 Agent 的本质：从"你问我答"到"你派我干"

这一节的核心主张：Agent 与 Chatbot 的分野，不在于"会不会说话"，而在于"会不会干活"。

一段思想的溯源

1950 年，图灵在《计算机器与智能》中提出一个至今没有标准答案的问题：机器能否思考^[1]。此后七十余年，这个问题的答案以不同形态反复改写。上世纪八九十年代，专家系统与智能体理论让"会思考的程序"在模拟环境里自主行动^[2]——但彼时的智能体还活在实验室的沙盘里；2022 年前后大模型爆发，机器第一次真正读懂人类语言^[3]；2023 年以来，人们把大模型、工具、记忆组装成会干活的 Agent。这条溯源线像城市交通的进化：从固定配时的红绿灯，到按车流自动调节的信号系统，再到统一调度的"交通大脑"——每一次跃迁，都是"系统替人做决定"的程度加深。

三部件：大脑、耳目与工作笔记

一个 Agent 有三样东西。一是大脑，即大模型，负责理解任务、做出决策；二是感知器，负责接收信息——用户指令、RAG 检索到的资料、MCP 连接的企业数据，都是它的"耳目"；三是记忆循环，让 Agent 记得"刚才说到哪、做过什么"，长期知识存在向量数据库里。你可以把 Agent 想象成一位刚上任的中小企业助理：大脑是能力，耳目是信息来源，记忆循环是那本永远随身的工作笔记。三部件的关系可以用一张图说清：

图3-2 Agent 三部件：大脑、耳目与工作笔记

四维度判定：它是不是 Agent？

一看主动性：Chatbot 被动应答，Agent 主动推进；二看多步性：Chatbot 一问一答，Agent 连续执行多步；三看工具使用：Chatbot 动嘴，Agent 动手；四看记忆：Chatbot 常常说完就忘，Agent 有记忆循环能接着干。值得想一想的是：这四个维度没有一个涉及"技术实现"，全是"行为特征"——这说明 Agent 的本质是交互方式的变迁，而不是某一种具体技术。这个判定思路并非本书杜撰，而是沿袭了智能体理论的一条经典脉络：Wooldridge 与 Jennings 在 1995 年那篇被引用上万次的综述中，正是用"自主性、反应性、社会性、主动性"四个行为属性来界定智能体，而非任何实现技术^[8]；Russell 与 Norvig 的《人工智能：一种现代方法》则从"感知—行动"循环定义理性智能体——能感知环境、采取行动、以目标为导向的系统^[9]。本书的四维度判定，就是把这一学术传统翻译成了大白话：维度可以增删，但"用行为界定智能体"的方法论一脉相承。

在平台上验证

打开 hermes-lite（https://zhenyuonline.cn/hermes-lite/），准备两个问题：问答型"北京明天适合穿什么衣服？"，任务型"查明天北京到上海最早的航班并设提醒"。把两个问题分别发给普通对话助手和 Agent，你会看到：前者只回答，后者会拆步骤、调工具、给结果。用四维度逐条对照，一张表就能填出差别。

图3-3 hermes-lite 平台页面渲染

第二节 工具调用：Agent 如何伸手够到外部世界

这一节的核心主张：工具是 Agent 的"手"，工具调用机制决定了一个 Agent 能办多大的事。

为什么必须要有工具

大模型的能力边界，本质上是"信息边界"——它知道 2023 年以前的公开知识，却不知道今天的股价、数据库里的一条订单、你公司内网的一份报表。检索增强生成（RAG）正是为突破这一边界而提出的：先检索相关资料，再让模型基于资料作答^[4]。没有工具的 Agent，像一位学识渊博却足不出户的顾问：讲道理头头是道，办事情寸步难行。工具的诞生，让 Agent 从"知识的复述者"变成"世界的行动者"。

一次调用走三步

工具调用的机制并不神秘，一次调用走三步：识别需求——Agent 判断"这个问题需要查外部数据"；发出调用——按工具约定的格式，把参数递出去（比如"查询数字化转型指数，参数：年份=2024，行业=软件"）；接收结果——把工具返回的数据纳入下一步推理。三步循环往复，Agent 就能"边查边想"，而不是"一次想完"。

四类常用工具

如果把 Agent 的工具箱打开，最常见的四类：检索类（查数据库、查知识库，如 RAG 检索）、计算类（跑统计模型、算指标）、读写类（读写文件、操作表格）、接口类（调用 API、发消息）。每一类都对应真实世界的某一种"手"：查资料的手、算账的手、写文件的手、传话的手。

在平台上验证：查数字化转型指数

在 workflow-demo（https://zhenyuonline.cn/workflow-demo/）中拖出一个"查数字化转型指数"的 Agent 工作流：给 Agent 一个"查询任务"，它会自动调用数字化转型指数服务——先取数、后解读。注意观察工作流日志：Agent 先发出一条 API 请求（采集），再对返回的 JSON 做计算（处理），最后生成一段解读文字（应用）。这三步，正是全书"数据获取→数据处理→数据应用"三层范式在一个 Agent 动作内的微观重演。查询界面如图 3-4 所示：左侧选择股票代码与年份，右侧返回 1999-2023 年的指数序列——这套数据来自 5467 家上市公司 2024 年年报词频库，是我们自建的数字化转型指数（详见第七章）。

图3-4 数字化转型指数查询平台页面渲染

第三节 单 Agent 与多 Agent 协作

这一节的核心主张：单个 Agent 的循环是"想—做—看"，多个 Agent 的协作则把组织的分工逻辑搬进了数字世界。

ReAct 循环：Agent 的呼吸节律

ReAct（Reasoning + Acting）是 Agent 最基础的循环：推理（Reason）→行动（Act）→观察（Observe）→再推理。这一范式由 Yao 等人于 2022 年系统提出，实验表明：在需要多步推理与外部交互的任务上，ReAct 显著优于单纯"想"或单纯"做"的基线^[5]。推理是"想"，行动是"做"，观察是"看结果"，然后带着新信息再想。

图3-5 ReAct 循环：推理→行动→观察→再推理

这个循环像人类解决复杂问题的自然方式——医生看病：先问诊（观察）→判断（推理）→开检查（行动）→看报告（观察）→再下诊断（推理）。Agent 的每一次"呼吸"，都是一次完整的 ReAct。

多个 Agent：从单兵到团队

单个 Agent 能干的活终归有限，于是有了多 Agent 协作的三种模式：串行（A 干完交给 B，像流水线）、并行（多个 Agent 同时干不同的活，最后汇总，像投标团队）、主从（一个主 Agent 拆任务，分给多个子 Agent 干，像项目经理带组员）。这三种模式在组织管理里都有对应物——流水线、并行工程、矩阵式管理。Agent 协作，本质上是把人类组织几十年的分工智慧，搬进了数字世界。

图3-6 多 Agent 协作的三种模式：串行、并行、主从

一种"不请自来"的工作方式：事件监听

还有一类 Agent 不等人吩咐，它"趴"在某个事件源上，一旦触发条件满足就自动开工——这叫事件驱动。比如一个监听器 Agent 盯着面板消息，一旦有人 @ 它，就自动回复。这像物业的安防系统：平时静默，门磁一动就报警。事件监听让 Agent 从"召之即来"进化到"时刻待命"，也让整个系统具备了"主动性"。

在平台上验证：中非跨境贸易的多 Agent 分工

跨境电商是一个天然的"多 Agent 战场"。我们部署了一个真实的"中非跨境贸易 AI 数智看板"（workflow-demo 拖拽搭建，部署页 https://zhenyuonline.cn/workflow-demo/deployed/af_trade_ds8k），它的背后就是一条多 Agent 流水线：采集 Agent 从速卖通（AliExpress）抓取客户评论数据——7589 条评论、覆盖 134 个国家/地区（教学切片，2026-05 采集）；处理 Agent 按国家、星级、物流方式完成清洗与统计；LLM 解读 Agent 基于统计数据生成中非贸易趋势分析。三者串行协作，每个 Agent 只负责一段，最终渲染成一张可交互的看板，如图 3-7 所示。

图3-7 中非跨境贸易AI数智看板页面渲染

真实数据给出的洞察比任何虚构案例都更有说服力：7589 条评论中，俄罗斯贡献 1885 条、西班牙 813 条、美国 738 条，欧洲市场是绝对主力；好评率（4-5 星）高达 91%，但 1 星差评（287 条）多于 2 星与 3 星之和——极端不满的群体值得单独解剖。再看物流：使用平台标准物流（AliExpress 无忧物流）的订单平均星级 4.68，而"卖家自定义"物流只有 4.03——非标准物流体验明显偏差。这些结论不是教材编者编出来的，而是 Agent 流水线从 7589 条真实评论里"算"出来的。如果把工作流改成并行模式再跑一遍，对比完成时间和稳定性，你会直观感受到：多 Agent 不是"多个 Agent 加起来"，而是"分工与协作的重新设计"。

第四节 Agent 设计原则与安全边界

这一节的核心主张：Agent 的能力越强，设计原则与安全边界越重要——自由与约束是 Agent 的一体两面。

五条设计原则：让 Agent 跑得稳

经过大量实践，Agent 设计沉淀出五条原则：目标明确（给 Agent 的任务要说清"要什么结果"，而不是"做什么动作"）、最小权限（只给它完成任务需要的工具，不用的不给）、可观察（每一步动作都有日志，出了错能查）、可打断（人类随时能叫停）、可回退（动作可撤销，最坏情况能回到起点）。这五条原则，与企业管理中的授权、审计、熔断机制一一对应——Agent 管理，本质上是"数字化的授权管理"。数字经济时代的企业管理变革，正沿着同样的方向展开：戚聿东与肖旭（2020）系统论述了数字经济对管理对象、管理手段与管理边界的重塑^[11]；陈冬梅等（2020）则在回顾与展望中提醒，数字化对战略管理理论的挑战才刚刚开始^[12]。Agent 进入组织，不是多了一件工具，而是管理范式的一次换挡。

四类安全边界：让 Agent 不出格

数据边界（只能访问授权范围内的数据——学生名单、财务报表不能越权读取）、动作边界（只能执行授权范围内的操作——只读的 Agent 不能写文件）、成本边界（限制调用次数与预算，防止失控循环烧钱）、内容边界（输出需符合合规要求，不生成违法违规内容）。安全边界不是束缚，而是 Agent 能长期被信任的前提——就像银行的柜员权限、企业的报销制度，规则的存在恰恰是为了让业务可以放手去做。学界对 AI 系统安全边界的讨论由来已久：从早期智能体的"沙盒"思想，到大模型时代"对齐"（alignment）成为核心议题，一条贯穿的线索是——系统的自主性越强，对边界的显式设计要求越高^[6]。

在平台上验证：8 项自查清单

用 8 项安全自查清单给 stock-valuation（https://zhenyuonline.cn/stock-valuation/）做一次"体检"：它读取哪些数据？是否只读？输出是否会误导？预算上限有没有？逐项打勾，你会发现——一个看起来简单的估值工具，安全设计藏在每一个细节里。如图 3-8 所示，这个工具对全 A 股开放查询（如 600519 贵州茅台），基于 DDM 与 CAPM 模型输出理论估值，右侧教学页完整展示"LLM 层意图理解 → Agent 层任务编排 → Skill 层工具选择"的三层架构——每一次查询都有日志、有边界、可回溯。这也是本书反复强调的观点：技术能力决定 Agent 能跑多快，设计原则与安全边界决定它能跑多远。

图3-8 股票估值平台页面渲染

第五节 实训：亲手编排一个会干活的 Agent

这一节不是"操作步骤清单"，而是"把前四节的主张亲手验证一遍"。

前四节我们讲了 Agent 的本质、工具、协作与边界——现在把它们串起来。整个实训走三条路：体验、编排、交付。

先体验。 打开 hermes-lite（https://zhenyuonline.cn/hermes-lite/），用自然语言给它布置一个跨步骤任务："把数字化转型指数 2024 年软件行业的均值算出来，并对比前一年"。观察它如何自己拆任务、调接口、算结果。这是"看别人怎么干"。

再编排。 打开 workflow-demo（https://zhenyuonline.cn/workflow-demo/），在画布上把刚才的任务拆成节点：采集节点（调数字化转型指数服务）→ 处理节点（算行业均值）→ 应用节点（生成对比解读）。拖拽连线，一键运行。这是"自己动手搭"——你搭出来的每个节点，就是 Agent 的一次工具调用；节点之间的连线，就是 ReAct 循环的"想—做—看"。图 3-9 就是 workflow-demo 的真实画布：左侧"Skill 工具箱"里躺着股票行情采集、数字化转型指数、指数分析处理、多策略评分等现成节点，把它们拖进画布、连上线、点运行，一个 Agent 工作流就在你手上诞生了。

图3-9 workflow-demo 平台页面渲染

最后交付。 把编排好的工作流部署成页面（对齐第 9 章的一键部署机制），你就拥有一个"查数字化转型指数"的专属 Agent——它查询的是 5467 家上市公司 2024 年年报的真实词频数据；或者仿照"中非跨境贸易 AI 数智看板"，用速卖通 7589 条评论搭一个你自己的跨境消费洞察看板——回答有溯源、动作有日志、权限有边界。需要说明的是，以年报文本构造企业数字化水平指标，已有系统的学术依据：陈冬梅等（2020）在《管理世界》系统回顾了数字化与战略管理理论的演进脉络，数字化程度的企业级测度正是这一研究领域的基石^[7]——本章实训正是把这一成熟方法搬上零代码平台，让读者亲手复现"文本即数据"的数智分析思想。

值得想一想：同样是"让 AI 干活"，你在 hermes-lite 里"说一句话"和在 workflow-demo 里"拖一个图"，体验的差别是什么？前者是 Agent 替你干活，后者是你亲手设计 Agent 怎么干活——从使用者到设计者，这是本章想带你完成的一次身份跃迁。

章末小结与追问

本章沿着"本质→部件→协作→边界→实训"拆解了 Agent：它从"你问我答"走向"你派我干"，靠三部件结构撑起能力，靠工具调用伸出双手，靠 ReAct 循环获得呼吸，靠多 Agent 协作走进团队，最后靠设计原则与安全边界获得信任——这份信任，正是数字经济时代企业管理变革的微观注脚^[11][12]。第五章到第九章的每一个应用，背后都是本章的概念在运转；第十章到第十三章的行业案例，会把它们焊成一条完整的链。

留三个问题给你想一想：

1. 如果给 Agent 装上"自我反思"的能力（每次行动后总结教训），它的循环会变成什么样？这会让它更强，还是更慢？
2. "最小权限"原则与"能力最大化"之间存在张力——在什么场景下你会选择放开权限？代价是什么？
3. 本章的 Agent 编排（workflow-demo 画布）与第 8 章的工作流编排是什么关系？它们是一回事，还是两层？

参考文献

1. [1] Turing A M. Computing machinery and intelligence[J]. Mind, 1950, 59(236): 433-460.
2. [2] Buchanan B G, Shortliffe E H. Rule-based expert systems: The MYCIN experiments of the Stanford Heuristic Programming Project[M]. Reading: Addison-Wesley, 1984.
3. [3] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]. Advances in Neural Information Processing Systems 30, 2017.
4. [4] Lewis P, Perez E, Piktus A, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks[C]. Advances in Neural Information Processing Systems 33, 2020.
5. [5] Yao S, Zhao J, Yu D, et al. ReAct: Synergizing reasoning and acting in language models[C]. International Conference on Learning Representations, 2023.
6. [6] Amodei D, Olah C, Steinhardt J, et al. Concrete problems in AI safety[J]. arXiv preprint arXiv:1606.06565, 2016.
7. [7] 陈冬梅, 王俐珍, 陈安霓. 数字化与战略管理理论——回顾、挑战与展望[J]. 管理世界, 2020(5).
8. [8] Wooldridge M, Jennings N R. Intelligent agents: Theory and practice[J]. The Knowledge Engineering Review, 1995, 10(2): 115-152.
9. [9] Russell S J, Norvig P. Artificial intelligence: A modern approach[M]. 4th ed. Hoboken: Pearson, 2021.
10. [10] Mankiw N G. Principles of Economics[M]. 8th ed. Boston: Cengage Learning, 2017.
11. [11] 戚聿东, 肖旭. 数字经济时代的企业管理变革[J]. 管理世界, 2020(6).
12. [12] 陈冬梅, 王俐珍, 陈安霓. 数字化与战略管理理论——回顾、挑战与展望[J]. 管理世界, 2020(5).

数据与平台：本章实训绑定 zhenyuonline.cn 真实应用（Hermes Lite / workflow-demo / stock-valuation / digital-economy / 中非跨境贸易AI数智看板）。页面渲染图均为平台实测截图。