本文探讨了从简单的模型调用到大模型Agent的发展过程。文章指出，模型本身负责判断，而工具、状态和执行机制让判断转化为可执行的任务。随着技术发展，Agent能够代表用户独立完成任务，通过工具调用和结果反馈来持续行动。文章还对比了固定工作流和Agent的区别，并强调了AI产品经理需要关注模型之外的系统设计，包括目标、工具、状态和失败处理等关键要素。
从一次模型调用，到能够持续完成任务的系统
模型负责判断，工具、状态和反馈让判断变成一段可执行的任务。
模型 · 工具 · 状态 · 执行
2023 年，我所在的艺术品公司想做一个区块链项目。艺术家的作品要转成 NFT，再放到网页上展示和交易，项目里也接入了 GPT-3.5。
最近我重新整理这段经历，卡在了一个很基础的问题上。GPT-3.5 当时到底做了什么，它能不能把一张图片直接变成链上的 NFT？
从技术上看，它做不到。模型可以根据输入生成作品描述、标签和元数据，也能帮用户理解交易流程。真正把图片上传到存储服务、调用智能合约、支付 Gas 费并获得链上凭证，还得由后端程序和区块链工具完成。模型负责理解与生成，系统负责执行。
三年过去，我现在又在检查一个产品里的 AI 机器人。我想让 VS Code 中的 Codex 看一遍项目，判断它有没有 Agent 的技术实现，具体调用了哪些工具，代码里是否存在明显漏洞。
这次我发现，问题已经变了。以前我想知道模型能回答什么，现在我更关心它能不能自己找到相关文件、采取行动，并根据检查结果继续往下走。
模型给出一次输出，工作流沿固定路线执行，Agent 会根据工具返回结果决定下一步。
从模型到 Agent 的变化，就藏在这几步里。
模型负责做判断
大模型接收一段上下文，然后预测接下来应该输出什么。用户问它一件事，它可以解释、归纳或生成代码。下一步是否继续，通常还要等用户再次输入。
它也不会天然拥有电脑里的文件。没有得到项目目录的访问权限，它看不到代码。系统没有给它浏览器，它就不能打开网页。没有接入区块链节点和钱包，它更不可能把作品直接写到链上。
这并不说明模型能力弱。Agent 里的理解、规划和选择，大多仍由模型承担。只是一次模型调用结束后，屏幕上得到的通常是一段输出。一个真实任务往往还没有结束。
OpenAI 在 2025 年 3 月发布 Agent 构建工具时，把 Agent 描述为能够代表用户独立完成任务的系统。官方同时提到，推理和多模态能力为多步骤任务打下了基础，将这些能力做成可上线的 Agent，还需要提示词之外的编排逻辑和运行工具。
模型由此成了整套系统里的判断者。
Agent 让判断产生行动
回到我准备做的项目检查。
如果只把一段代码复制给模型，它可以解释这段代码，也能指出眼前能看到的问题。它不知道其他文件里有没有同名函数，无法确认接口究竟在哪里被调用，更不能用运行结果验证自己的判断。
获得项目权限的 Agent 可以先搜索文件，找到模型接口和工具定义，再沿着调用关系查看配置。需要验证时，它可以运行测试或静态检查，读取命令返回的结果，然后决定继续搜索哪一处。任务结束时，它还要整理证据，告诉我哪些结论已经确认，哪些仍然缺少条件。
这段过程里，大模型依然在做判断。Agent 系统给它补上了目标、工具和状态，还安排了一次次行动。工具返回结果后，模型再次判断。这个过程持续到任务完成、遇到阻碍，或者需要我做决定。
项目检查中的 Agent 会读取环境、调用工具、核对结果，并在信息不足或越权时停下来。
OpenAI 在 2026 年更新 Agents SDK 时，专门加入了受控的运行环境。Agent 可以在里面查看文件、执行命令和编辑代码，并处理耗时更长的任务。Workspace Agents 又增加了共享知识、记忆、定时运行和团队权限。Agent 已经能够离开一次问答，连续处理一份工作。
OpenAI Workspace Agents 官方产品页面。来源：OpenAI 官网截图。
权限也在这个时候变得要紧。能读取项目和能修改项目是两回事，能生成交易参数也不等于可以直接替用户签名。产品需要明确每个工具开放到什么程度，哪些操作执行前必须询问用户。
工作流给路线，Agent 根据现场选择路线
我以前很容易把工作流和 Agent 混在一起。Dify 里连好几个节点，输入从头走到尾，看上去已经会自动做事。
固定工作流更像一套提前写好的步骤。接收文件以后先提取文字，再让模型总结，最后把结果存进数据库。只要条件不变，它就沿着这条路线执行。这样的流程稳定，也容易排查问题。
Agent 获得的是任务目标。它会根据当前结果选择工具，也可能调整原来的计划。检查代码时，它先搜索接口。发现项目没有测试文件，它就不能继续沿着运行测试的路线走，只能改查配置与调用记录，或者回来告诉用户缺少什么。
Google 在 2026 年 2 月更新 Opal 时，正好展示了这个区别。原来的静态流程需要用户提前选模型和步骤。加入 Agent 后，系统可以根据目标判断该调用搜索、视频模型还是其他工具，缺少信息时再询问用户。
固定工作流仍然很有价值。步骤明确、结果稳定的任务，提前把路线写死通常更省成本，也更容易验收。Agent 更适合途中会出现不同情况、需要读取环境并调整下一步的任务。很多真实产品会把两者放在一起，让工作流管住关键步骤，再让 Agent 处理其中需要判断的部分。
AI 产品经理需要看见模型外面的系统
弄清这件事以后，我再看一个 AI 产品，已经不会只问它用了哪个模型。
我会先看它接受什么目标，能够调用哪些工具。接着检查每次工具调用以后，结果有没有重新交给模型判断。任务完成的条件也要写清楚，系统不能因为生成了一段语气肯定的文字，就默认事情已经办完。
最后还要看失败。工具无法访问、信息不够或连续尝试仍然无效时，Agent 应该停在哪里，已经完成的结果怎样保留，用户能否接手。
这些内容也会改变 PRD 的写法。页面和功能仍然要写，Agent 的目标、工具权限和完成条件同样需要写进去。验收时不能只看回答通不通顺，还要看它有没有选对工具，最终结果是否真的落到了目标位置。
现在再回到我项目里的机器人，我会用四个问题判断它。
它能不能持续围绕一个目标工作？它能不能主动选择并调用工具？工具返回结果以后，它会不会调整下一步？任务完成、失败或缺少信息时，它知不知道停下来？
四个问题都能在代码和运行记录里找到证据，这个机器人已经具备 Agent 的基本结构。它只能接收问题并返回模型生成的内容，就仍然是一款接入大模型的应用。
这条线画清楚以后，我也知道接下来该怎样检查自己的项目了。
最后
2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！
金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。
现在企业疯狂紧缺一类人才：懂业务、懂 AI、能做出可上线项目的大模型开发工程师，岗位缺口大，薪资待遇十分可观。
风口再好，不如手握高薪 offer 实在。行情火热，普通人、程序员该怎样从零入门大模型，抓住这波机会？
今天整理好【2026 最新版】AI 大模型全套免费学习资源，覆盖零基础入门、项目实战、理论知识、大厂面试，从基础一路进阶。所有资料分类归档，没有多余杂料，无套路免费分享给想要入局 AI 赛道的程序员与零基础小白！
👇👇扫码免费领取全部内容👇👇
1、大模型系统化完整学习路线
2、大模型经典书籍&文档
3、AI 大模型最新行业研究报告
4、企业级实战项目 + 完整配套源码
5、大厂大模型面试真题汇总
6、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
2128
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
