Agents and Workflows
这门课带你从「对话」走向「自动化」：理解 AI Agent 是什么、它和普通对话有何不同、什么时候该用，以及如何把多步骤的工作交给它自动完成。
在互动学院中学习（含测验与进度保存）→AI Agent（智能体）是能「自己分步把任务做完」的 AI。你给它一个目标，它会自己规划步骤、调用需要的工具、一步步执行，而不只是给你一段文字建议。
普通对话里，AI 给你建议，执行还得你来；Agent 则能真正去做：查资料、填表单、调用其他软件、把结果整理好。它把「想」和「做」连了起来。
Agent 能自己规划步骤、调用工具并执行，把「给建议」升级为「把事做完」。
Agent 的工作方式可以理解成一个循环：理解目标 → 想下一步 → 用一个工具 → 看结果 → 再决定下一步，直到完成。这个「边做边判断」的循环是它能完成复杂任务的关键。
Agent 的核心是目标、工具和基于结果的判断循环；界面美观与否不影响它能否完成任务。
不是所有事都需要 Agent。简单的一问一答，普通对话更快更省；多步骤、要调用工具、要自动跑完的流程，才轮到 Agent 出场。
多步骤、需调用工具、希望自动跑完且会重复的流程，才是 Agent 的用武之地。
将一个现有的人工流程交给 AI Agent 来执行，需要先仔细拆解这个流程。本课教你如何识别适合自动化的流程，以及如何为 Agent 绘制清晰的执行地图。
最适合自动化的流程具备以下特征：步骤固定、规则清晰、重复执行、不需要人类情感判断。如果一个流程每次执行方式都不同，或需要大量人际沟通和情境判断，自动化的效果会大打折扣。
以"自动摘要新收到的文件"为例，分解步骤：检查是否有新文件 → 读取文件内容 → 判断文件类型（合同/报告/邮件）→ 按模板生成摘要 → 将摘要存入指定位置。其中，"判断文件类型"是 AI 判断点，其余是确定性逻辑。
绘制流程图时，明确区分两类步骤：确定性步骤（总是做同一件事）和 AI 判断步骤（需要理解内容后做决定）。Agent 在判断步骤上最有价值，确定性步骤可以用普通代码完成。
每天汇总固定来源新闻是步骤固定、规则清晰、重复性高的任务，非常适合 Agent 自动化。其他选项都需要大量人类判断和创意。
AI Agent 的力量来自于它能调用工具采取行动，而不只是生成文字。本课介绍 function calling 和 Assistants API 的内置工具，理解 Agent 如何与现实世界交互。
Function calling（函数调用）允许你给模型定义一组可以调用的函数。模型在对话中判断"这里需要调用某个函数"，然后返回调用指令（函数名和参数），由你的代码实际执行函数并将结果返回给模型。模型再基于结果继续生成回复。
// 告诉模型你有一个"查询天气"的函数
{
"name": "get_weather",
"description": "查询指定城市的当前天气",
"parameters": {
"city": {
"type": "string",
"description": "城市名称，如'北京'或'上海'"
}
}
}
// 用户说"北京今天冷吗？"后，模型会返回：
// { "function": "get_weather", "arguments": { "city": "北京" } }模型只决定"需要调用哪个函数并传入什么参数"，实际的函数执行由开发者的应用代码完成。结果再返回给模型继续处理。
真实的 Agent 工作流通常包含多个步骤。如何组织这些步骤的执行顺序，是构建可靠工作流的核心设计问题。
串行模式适合有明确先后顺序的任务：提取数据 → 清洗数据 → 分析数据 → 生成报告。每一步都依赖前一步的结果。设计时要考虑：如果中间某一步失败，是重试、跳过还是终止整个流程？
并行模式适合独立子任务：同时分析 5 个不同部门的报告，最后汇总。条件分支让 Agent 能根据情况选择不同路径：如果文件是合同，执行合同审查流程；如果是发票，执行财务核对流程。
5 个城市的销售报告相互独立，没有依赖关系，非常适合并行处理以节省时间。其他选项更适合串行或条件分支模式。
Agent 越自主，出错的代价可能越大。设计可控的 Agent，意味着在关键节点保留人类干预的能力，而不是让 AI 完全自主运行。
人在回路（Human-in-the-Loop）是一种设计模式：在 Agent 执行过程中，设定特定的检查点，要求人类确认后才能继续。不是所有步骤都需要人工确认，只在关键节点介入即可。
在 Agent 的系统指令中，明确写出它可以自主执行的操作范围，以及哪些操作必须等待人工批准。边界越清晰，Agent 的行为越可预测，出错时也更容易定位原因。
只给 Agent 完成当前任务必需的工具访问权限。如果任务只需要读取数据，不要给它写入权限。权限越少，意外破坏的可能性越低。
向 500 位客户发送邮件是不可逆的批量操作，一旦执行无法撤回。这类操作必须在执行前经过人工审查和确认。
部署 Agent 只是开始。持续监控它的行为、评估输出质量，并建立反馈闭环，才能让 Agent 在长期运行中保持可靠。
每次 Agent 调用工具时，都应该记录：调用了什么工具、传入了什么参数、得到了什么结果、花费了多长时间。这些日志是调试问题和优化性能的基础。没有日志，出问题时你只能猜测。
在部署前，明确定义什么算成功：准确率达到 X%、处理时间不超过 Y 秒、用户满意度评分高于 Z。有了量化标准，你才能判断 Agent 是否达到预期，以及何时需要干预和优化。
当 Agent 开始重复调用同一个工具、产生异常长的输出、或者对相似输入给出截然不同的结果时，这些都是偏轨的信号。设置自动告警阈值，当关键指标异常时及时通知人工审查。
模型版本号本身不能衡量 Agent 的性能，它只是一个配置参数。准确率、升级率和响应时间才是直接反映 Agent 工作质量的指标。
恭喜你完成了 Agents 与工作流课程！以下 6 道测验题覆盖了课程的核心知识点，检验你的掌握程度。
Function calling 让模型能够在对话中判断"需要调用哪个函数"，由开发者的代码实际执行，从而让 Agent 能够与外部系统、数据库、API 等交互。
持久线程存储了对话历史，让 Agent 在下一次会话时仍然能记住之前的上下文，适合需要跨会话维护状态的应用场景。
永久删除 1000 条数据库记录是不可逆的批量操作，必须在执行前经过人工确认。搜索、生成草稿、翻译都是低风险操作，不需要人工介入。
记录完整的工具调用日志并设置量化指标的自动告警，是兼顾效率和可靠性的监控方案。依赖手动检查或只看报错都无法及时发现偏轨行为。
定时数据汇总是步骤固定、规则清晰、重复性高的任务，是 Agent 自动化的理想候选。其他选项都需要大量人类创意判断或情感能力。
并行模式的核心是让互相独立、没有依赖关系的子任务同时执行，从而缩短总完成时间。子任务有依赖时应使用串行模式。
想要测验互动、进度自动保存的完整体验？
进入 AI 学院互动版 →