从工具调用到自治：智能体的四次跃迁

把智能体理解成"会聊天的模型"，是最常见的误解。真正让"Agent"这个词有重量的，是它在一个环境里连续做出影响环境的决定。沿着这条线，能看到四次清晰的跃迁。

第一次跃迁：学会用工具

模型只能生成文本时，它的能力边界是语言。当它能调用搜索、计算、数据库、代码执行，边界就变成了它能接触到的世界。

工程上的关键不是"接了多少工具"，而是：

• 工具的描述是否精确（模型选错工具，多半是描述含糊）；
• 失败是否可恢复（超时、空结果、权限拒绝都要有明确的回退路径）；
• 权限是否最小化（只给必需的操作，尤其是写操作）。

第二次跃迁：学会规划

有了工具，下一步是"先做什么、后做什么"。规划让智能体从"一问一答"变成"多步执行"。

但规划本身有个陷阱：链条越长，错误累积越快。于是成熟的系统会插入检查点——每一步都验证前提是否还成立，而不是一路跑到黑。

第三次跃迁：学会记忆

没有记忆的智能体，每次对话都从零开始。记忆分三层，价值递增：

1. 上下文记忆：本次任务内保持连贯；

2. 长期记忆：跨会话记住偏好、结论、失败教训；

3. 制度记忆：把"该怎么做"写成规则，让系统而不是模型来记住。

第三层最容易被忽略，却最能提高可靠性：把纪律从模型里搬到系统里。 模型可以漂移，制度不会。

第四次跃迁：学会协作

单体的能力有上限，协作结构却能放大整体。多智能体的核心问题不是"找几个角色扮演"，而是如何组织分歧：

• 分工：每个智能体只负责自己最擅长的一段；
• 交叉校验：让另一个智能体去质疑结果，而不是都往里塞正例；
• 收敛机制：出现不一致时，谁来裁定、按什么规则裁定、裁定可否被申诉；
• 终审与刹车：必须有一个能说"停"的环节，并且这个环节不依赖任何单个模型的情绪。

收敛：从"聪明"到"可信"

四次跃迁之后，评价标准也变了。不再问"它有多强"，而是问：

• 它出错时，是否知道自己在出错？
• 它停摆时，谁在看护？
• 它做决定时，能否被复盘？

我们在自己的系统里用一条朴素的标准自查：任何一次决策，都要能在事后被完整重放。 做不到重放的能力，宁可不要。

智能体的终点不是"更像人"，而是"更像一支可靠的团队"——有分工、有制衡、有纪律、有记录。