什么是 AI AgentHERMES & AGENT ENGINEERING · 课时 01

1.1 AI Agent 能做什么

我们先从一个场景说起。

老张是一个普通的后端开发，2026 年春天的某个工作日，他打开电脑，端起咖啡，惬意地抿了一口，同时让电脑里的某个程序把昨晚 Slack 上没看完的讨论归纳成三条要点，顺便标出几条需要他回复的消息。

吃完早饭回到座位，他告诉这个程序「把昨天那个支付模块的 bug 修复一下」。程序自己去项目目录里翻相关代码，跑了一遍测试，发现三个用例挂了。它分析报错，发现是边界条件没处理，改好代码重跑测试。最后提交了一个 PR，顺手按团队模板把描述也填好了。

下午他接到一个数据迁移的活。几万行 CSV，格式还不统一。他没自己动手，直接把文件丢给程序，让它把数据迁到新表。程序先检查源数据，写好清洗脚本，然后开始迁移。跑完之后对比源表和目标表的行数和字段分布，出了一份简短的验证报告。整个过程他就盯着进度，没写一行代码。

不只是写代码这些事。换个场景，它一样能帮上忙。比如电商网站上看中了一件商品，觉得价格还能再等等，让它帮忙盯着价格。它会帮着盯，价格一降到心理预期就自动加入购物车，甚至直接下单。再比如刷到一篇不错的长文，没时间细看，直接丢给它，它会读完、提炼要点、整理成笔记存进知识库，以后想回顾随时能搜到。甚至刷抖音看到一个好笑的段子，想截取其中几秒做成 GIF 发到群里，它也能自己打开视频找到那段画面，截下来转成 GIF 发出去。

这个程序，就是现在大家说的 AI Agent。

我们先从场景讲起，是因为 AI Agent 这个词本身有点抽象，但它做的事情其实非常具体。老张一天里做的事情，写代码、跑测试、处理数据，都是平常要人自己手动完成的活，但Agent 却能自己独立完成。

虽然每个人用Agent做的事情不一样，但Agent的特点是共通的：Agent 不是在回答问题，而是在完成工作。

1.2 Agent 跟聊天工具到底差在哪

也许你会认为，这些事情我用 ChatGPT 也能做。不完全是。

我们可以用一个最简单的例子来讲清楚Agent与ChatGPT的区别。假设跟朋友约饭，想让 AI 帮忙订一家餐厅。

跟ChatGPT这类聊天工具对话，流程是这样：告诉它人数、口味偏好、地点，它列了五家餐厅推荐，附带人均价格和特色菜。

但需要自己打开大众点评，一家一家搜，再打电话或者在线预订。建议是 ChatGPT 给的，但实际的预定操作还是需要自己来做。

换成 AI Agent，事情就变成另一副样子：告诉它「帮我预订一个吃饭的地方，时间是明天晚上六点，四个人，要有包间，最好能吃粤菜」。它自己去查哪些餐厅合适，看哪家有包间、评价怎么样，挑一家合适的，然后跟你确认：这家行不行？得到肯定答复后，它把预订提交了，最后总结这次任务：「订好了，明天六点，XX 酒楼 203 包间」。

整个过程基本都是由Agent来完成，你只需要给出目标，并复核确认。

这两种模式的区别，说到底就是 AI 能不能自己动手。聊天工具输出的是建议，Agent 执行的是流程并最终输出结果。这背后是两种完全不同的产品形态：一个像是站在桌子对面给参考意见的顾问，另一个像是坐在旁边帮你干活的同事。

1.3 Agent 多出来的四样东西

ChatGPT、豆包这些聊天工具也不是不想动手，但它只有“大脑”没有“手”。那么 Agent 比聊天工具多出了哪些能力，让它可以帮人类去完成具体的任务？

第一个是自主规划。给 Agent 一个目标，它不会立刻开始执行，而是先把目标拆成子步骤，想好先做什么、后做什么，出了问题怎么调整。这个拆解过程是它自己完成的，不需要人一步步喂指令。前面订餐厅的例子里，「先查哪些餐厅开着、再看有没有包间、然后比较评价、最后提交预订」这个顺序，就是它自己规划出来的。

第二个是工具调用。聊天工具只能回答问题，别的做不了。Agent 不一样，它可以操作各种工具：读写文件、执行命令、查数据库。Agent 根据任务需要，选择合适的工具，并用这些工具来完成目标。

第三个是多步执行和自我修正。聊天工具的一来一回是一次性的，一个问题对应一个回答。Agent 的任务往往有好几步，从写代码、跑测试，到出错后的原因分析、改好后再测试，这个循环可以反复执行，直到任务真的完成。

人在里面的角色变成了「提出要求然后等出结果」。

第四个是持久的记忆。聊天工具的记忆基本局限在当前对话窗口，如果你新开一个窗口，那么一切归零。但现在主流Agent的 记忆是跨会话的：你上次用的什么编码风格、你反复执行的某个流程、之前踩过的坑，它都有记录。用得越久，它对使用者的理解越深，需要重复解释的事情就越少。

1.4 AI Agent 的主流分类

市面上能叫 AI Agent 的产品不少，但侧重点各不相同，大概有这么几类。

最广为人知的一类是代码 Agent，专注于编程任务，能理解项目结构、跨文件修改代码。Cursor、ChatGPT、Qoder、Claude Code 都属于这一类，程序员大多用过。

另一类是通用 Agent，不限定领域，能操作文件、执行命令也能像代码Agent那样编程，它更像是一个泛用的数字助手。OpenClaw 以及这本书要讲的 Hermes 都属于这一类。

最后一类是垂直领域 Agent，专门为某个行业定制。比如做法律文书审查的 Agent、做医疗数据分析的 Agent，都是针对一个专业场景反复调优过的。

这些类型之间没有严格的界限，很多产品横跨多个领域，比如Hermes和Qoder，他们其实都可以互相替代。但不管叫什么名字，Agent们做的事情很类似：拿到一个目标，自己拆解步骤、调用工具，最后完成这个任务。

1.5 ■ 学点英语