一句话说清
智能体＝能自己看、自己想、自己动手的程序，风险也随之放大。
为什么值得懂
从“回答问题”到“替我干活”，中间隔着一层本质变化：模型开始有行动能力。会动手就可能做错事，而且做错的速度比你发现的速度快。理解智能体的结构，你既能判断哪些场景适合交给它，也能看懂“AI 会取代谁”这类问题的真实边界。
零基础讲解
一、结构四件套：感知—决策—行动—反馈。 罗素与诺维格把智能体定义为在环境中感知并通过行动影响环境的实体（罗素、诺维格 / 《人工智能：一种现代方法》 / 第 2 章）。模型只是“决策”那一环，其他三环决定它能不能真干活。
二、工具调用是分水岭。 只能生成文字，影响有限；能查网页、读写文件、发请求、执行代码，就开始触碰真实世界（《不列颠百科全书》 / 「人工智能」条目）。能力越接近“动手”，出错代价就越具体。
三、可靠性的瓶颈不在聪明，而在闭环。 长链条任务里，每步 95% 正确率叠加十步只剩约六成。所以设计的重点是把长链条切成可验证的短步骤，并在关键处要求人工确认。
四、权限最小化是第一条纪律。 只给完成任务所需的权限，可回滚、可审计、有额度限制。“先给它管理员权限试试”是最常见的翻车方式。
五、适合与不适合。 适合：规则清楚、可验证、失败可承受的重复工作（整理、检索、批量处理）；不适合：责任不可逆、判断需要价值取舍、错误无法回滚的场合。能放手的前提是“错了也不致命”。
一个例子
让智能体“整理这个月的发票”通常可行：步骤清楚、错了能重做。让它“替你回复所有客户投诉”就需要谨慎：措辞与承诺不可逆，一句错话可能付出真实代价。
常见误解
- 以为智能体就是一个更强的模型：差别在行动能力。
- 以为全自动一定更好：不可逆场景必须留人。
- 以为测试过就没问题：长链条的误差会累积。
- 以为给权限越多越省事：权限越大，事故面越大。
应用场景
- 生活：把重复的信息整理交给它，但别让它替你做不可撤回的操作。
- 职场：落地前先定“哪些步骤必须人工确认”。
- 写作与创作：写 AI 失控，用“权限过大 + 误差累积”解释最可信。
关联知识点
- 大语言模型（llm，智能体的大脑）
- 机器学习（machine-learning，能力从哪来）
- 强化学习（reinforcement-learning，试错学习的方式）
- 自动化与脚本（automation-scripts，同一套效率逻辑）
- 信息安全（information-security，权限与审计）
- 所属主线：因果与系统、信任与合作