AI Agent 怎么选？5 种经典架构与 7 类企业应用解析

选择 AI智能体（AI Agent），先看它能完成什么工作，再看你允许它采取哪些行动。理解 AI智能体类型，可以从两个角度入手：5 种经典架构解释它如何做决策，7 类企业应用说明哪些工作可以交给它。判断风险，权限设置比产品标签更有参考价值。

研究智能体和编程智能体，说的是工作分工；基于目标的智能体，说的是决策方式；自主智能体，说的是在无需人工再次介入的情况下，它能自行推进到哪一步。这些标签完全可能属于同一个系统。

把它想成一家剧院：演员扮演什么角色、按什么剧本表演、手里的钥匙能打开哪些门，是不同的事。只凭角色选择智能体，就像因为一个演员背熟了台词，便把后台所有房间的钥匙都交给他。

在企业软件里，真正有用的是这样一个循环：接收任务、选择行动、调用工具、检查结果，再决定继续还是停止。工具是一种连接，让软件能够在对话之外获取信息或改变某些事物。智能体循环一文解释了这个过程；什么是智能体式 AI则介绍了更完整的方法。

AI Agent 的经典分类：它们如何做决策

经典分类讨论的是决策机制，不是产品类别。Stuart Russell 和 Peter Norvig 的《人工智能：一种现代的方法》区分了反射式、具有状态的、基于目标的和基于效用的设计，学习能力则可以应用于这些设计。记住这个前提，常见的五类划分仍然很有用。Russell 和 Norvig 的章节课件

简单反射智能体

依据“条件—动作”规则，对当前输入作出反应。比如一个基础恒温器，房间冷了就开启暖气。它不保存历史信息，因此无法借助过去的情况消除当前的歧义。

基于模型的反射智能体

在内部维护对环境的描述，并随着新观察不断更新。清洁智能体就可以记住哪些房间已经去过。这里的“模型”指对世界的建模，不一定是大语言模型。

基于目标的智能体

围绕希望达成的结果选择行动。路线规划系统可以比较不同路径，找到抵达目的地的办法。它的关键特征是朝着目标规划，而不只是对眼前的输入作出反应。

基于效用的智能体

比较不同结果有多符合需求。例如，配送规划系统可以在到达时间和行驶距离之间权衡。最终选择的质量，取决于评分规则究竟奖励什么。

学习型智能体

根据经验或反馈改变行为。学习可以改进前面任何一种设计，并不天然意味着更高的自主程度。同样，记住一段对话，也不足以证明系统学会了更好的决策策略。

这些分类用于解释设计思路，并不代表下文产品的内部架构就是如此。

AI智能体类型与产品实例

对业务负责人来说，更实用的分类依据是准备委派的工作。本指南按七类介绍；这既不是行业标准，各类之间也并非互不重叠。研究智能体可能需要浏览器，语音智能体也可能是多智能体系统的一部分。

产品实例已于 2026 年 10 月 25 日根据各厂商页面核实。“谁负责控制”一栏说明的是使用方的控制责任，不代表每款产品都自带相同的防护措施。“典型失误”列出的是应当测试的风险示例，并非实测故障率，也不是这些产品已发生的事故。

风险可能发生很大变化，而产品类别丝毫未变。一个助手起草给客户的回复，另一个自动发送回复，两者可能使用完全相同的模型和工具。但后一种配置会在任何人审阅之前，就对客户产生影响。

对话界面本身无法说明这种区别。AI智能体与聊天机器人的实用对比，关注的正是回答框之外会发生什么。

AI智能体在企业中怎么用

为每一类智能体指定具体的交付结果：更新后的页面、经过审查的代码改动、核验过的记录、完成的对话，或有证据支撑的报告。以下产品能力有文档依据；应用场景和部署边界则是本文的建议。

应用内助手：从已有上下文的工作场所入手

Notion Agent 是 Notion 内的助手，可以利用工作区和已连接应用中的上下文，创建和编辑页面及数据库。Notion 的文档说明，它继承用户权限，不能自行更改页面权限级别。这些边界很有价值，但能访问正确的工作区，并不代表它一定选中了正确的信息来源。Notion Agent 文档

创始人在准备每周经营复盘时，可以先交给它一项明确的工作：根据已确认的项目笔记，起草项目进展页面。这样，助手有明确的输入、写入位置，以及可供人工检查的输出。

当任务从“起草摘要”变成“更新所有人的工作承诺”，风险就上升了。页面再漂亮，也可能沿用旧截止日期，或把任务交给错误的负责人。要求它保留来源链接，在把共享页面的修改视为新计划之前，先做审核。

当工作及其依据都已在应用内时，适合采用应用内助手。 在明确允许修改的范围之前，先不要开展大范围的工作区整理。继承来的整套权限，可能远超某项任务实际需要的范围。

工作流与自动化智能体：在明确的流程中引入判断

n8n AI Agent 是可放入 n8n 工作流的一个节点，也就是一个步骤。文档介绍了如何连接聊天模型和工具，再由智能体根据任务决定调用哪些工具。它很好地展示了如何在业务流程中嵌入一个能够灵活判断的环节。n8n AI Agent 文档

运营负责人可以让供应商发来的消息先进入固定的接收流程，再由智能体理解请求，把建议的更新放进待审核队列。外围工作流负责确定请求从哪里进入、结果送往哪里。

这个区别很关键。Anthropic 将工作流描述为沿预先定义的路径运行，而智能体则由模型决定下一步。企业自动化可以同时使用两者。Anthropic 对两种架构的区分

一个值得测试的问题，其实是常见的系统故障：响应延迟触发重试，结果同一条记录又被创建了一遍。为请求保留唯一标识，重复写入前先检查上次是否已经成功。

在确实需要理解杂乱输入的环节使用智能体。 对可预测的路由、校验和记录更新，继续使用明确的工作流规则。把可靠的固定流程换成开放式决策，可能增加工作量，却未必改善结果。

编程智能体：委派代码改动，保留发布决定权

Anthropic Claude Code 可以操作项目文件和开发工具。Anthropic 的文档列出了跨文件编辑、运行命令，以及编写和运行测试等能力。它的权限规则和模式会改变哪些操作需要人工批准，因此“编程助手”并不对应某个固定的访问级别。Claude Code 概览、权限控制

独立技术开发者可以给它一项边界清晰的任务：复现已报告的缺陷，修正相关行为，并提交可供审查的补丁和测试结果。补丁就是一组待采纳的文件改动，让开发者在发布前有具体内容可查。

审查时最重要的问题是：行为对不对？智能体可能写出一项测试，只验证了自己对需求的错误理解。即使测试通过，也不能说明账户状态特殊的客户会得到预期结果。

将工作环境和凭据限制在任务所需范围内。审查改动的代码，测试有实际意义的边界情况，并把部署到生产环境保留为独立的决策。

有人能评估改动时，才适合采用编程智能体。 如果没有人能判断代码或行为是否正确，自主编程就意味着把过多责任交给一个无法充分核验的结果。

浏览器与计算机操作智能体：集成不足时，通过界面完成工作

Browserbase Director 能将自然语言指令转化为浏览器智能体，执行过程可观看，也可纠正。Browserbase 列举了填写表单、核对记录等用途，并提供了导出底层自动化代码的文档。它是广义计算机操作类别中的浏览器实例，不能据此推断它拥有不受限制的桌面控制能力。Director 官方产品页

资深运营人员可能需要在缺乏合适数据接口的供应商门户中查询订单状态。对于这类必须通过界面完成的工作，浏览器智能体是一个可考虑的选择。先从信息查询开始，让它报告查到了什么。

要测试的失误是：动作看起来合理，目标却错了。页面布局变化、名称相似的客户，或意外弹出的对话框，都可能让点击偏离目标。已登录的浏览器会话还带有该账户的权限。在提示词里要求谨慎，并不能收回这些权限。

如果直接的软件集成能明确提供所需操作，优先使用集成。 当屏幕界面是实际可行的入口时，再使用界面操作；同时限制账户权限，并在重要提交之前安排审核。计算机操作智能体指南进一步讨论了这一边界。

语音智能体：听懂对话与执行操作，要分别核验

ElevenLabs ElevenAgents 是一个智能体平台，支持通过电话、网页等渠道提供服务。其文档涵盖工具调用、打断和轮次切换，以及转接到预先配置的人工电话号码。转接条件需要设置，转人工通道本来就是部署工作的一部分。ElevenAgents 概览、转人工配置

对服务型企业来说，从接收预约需求入手，比让它处理所有客户纠纷更容易划清边界。智能体负责收集请求，能否确认预约则应由排期系统和业务规则决定。

自然流畅的声音可能掩盖不确定性。听错姓名或日期，一旦用于更新记录，就会产生实际后果。设计流程时，要让它复述关键细节，并区分“客户提出的变更”与“已经确认的变更”。测试打断、沉默和要求转人工等情况，也要测试无人接听转接电话时会发生什么。

适合交给语音智能体的，是范围明确、完成条件清楚、且有后备处理方式的对话。 如果业务方还说不清何时、如何转交人工，就先缓一缓。AI语音智能体平台指南进一步介绍了部署选择。

研究智能体：委派资料收集，保留证据判断

Google Gemini Deep Research 允许用户选择研究来源，并在开始前修改拟定的研究计划。Google 的文档介绍了如何利用网页搜索、选定的已连接内容及上传文件等来源生成报告。因此，可控的工作单元是一项事先约定范围的研究任务。Google Deep Research 官方产品页

创始人在评估潜在集成伙伴时，可以要求它整理一份报告，说明支持哪些接口、有哪些已声明的限制，以及哪些问题仍未解决。事先指明哪些说法必须有一手文档支持，并要求明确标出缺失的证据。

需要警惕的是缺乏依据的综合推断：几条各自准确的事实，也可能被拼成一个任何来源都未证实的结论。一个来源链接可能与主题相关，却并不支持旁边那句话。

让研究智能体为决策做准备，再由人核查决定性的证据。 对每条可能改变你选择的主张，都打开其来源核对。分清“厂商声称”“文档证实”和“这是我们的推断”。报告再长，也无法弥补一个尚未解决的关键问题。

多智能体系统：交接确有价值时，再拆分职责

CrewAI 提供了将智能体组织成协作团队的框架。其官方文档介绍了顺序流程和层级流程；在层级流程中，管理者负责规划、委派和审核工作。这是一种搭建系统的方式，并不是适用于所有企业任务的现成员工。CrewAI 流程文档

一家中型企业的 CTO 可能会把文档检索、技术分析和审核拆开，因为它们需要不同的工具或访问权限。这是考虑使用多智能体的一个理由。仅仅给几份名字不同的提示词配上相同且不受限制的工具，理由就弱得多。

协调层通常称为编排器，决定下一个由哪个智能体行动，以及向它提供哪些信息。监督者是这种安排的层级式版本。两者都不能代替对结果负责的业务负责人。

要测试的失误是上下文丢失：专门分工的智能体向下游传递了一份语气笃定的摘要，却丢掉了证据、不确定性或最初的限制。另一个智能体随后就把这个结论当成既定事实继续复述。交接必须保留原始资料和未解决的问题，同时明确最终行动的权限边界。

从单个智能体开始，只有明确不同职责的价值后，再增加协作者。AI智能体编排指南解释了这些协调模式。多智能体系统可以包含其他任何类别，并不是凌驾于它们之上的最后一个等级。

不同类型的 AI智能体，该怎么选

选择能产出有用交付物的最小委派范围。具体怎么选，取决于谁来检查结果，以及一旦出错，会改变什么。

**业务负责人：**先从已有工作所在的应用入手。如果任务跨越多个系统，就把理解请求与最终写入分开。例如在需求接收流程中，智能体可以建议分类和去向，由固定规则拦截字段缺失或未经授权的更新。一份经过审核的草稿，本身就是有价值的成果。

**开发者：**先判断执行路径是否已知。如果已知，就使用工作流；如果下一步取决于系统发现了什么，智能体才可能有必要。只有确实需要通过界面操作时，才开放浏览器访问；只有拆分职责能改善权限控制、专业分工或审核时，才增加多个智能体。

**采购者和创始人：**要求厂商演示边界，而不只是展示任务成功。让它处理一条含糊的记录、一个被拒绝的操作，以及一次失败的工具响应。查看系统实际准备做什么、目标是什么，以及对执行情况的解释。问清楚谁能停止执行、谁负责恢复。

不同类别的风险没有固定排名。一个限制来源、没有写入权限的研究智能体，与一个连接了机密文档的研究智能体，面临的风险不同。一个允许发送消息的小型应用助手，可能比只能在隔离项目副本中工作的编程智能体，更直接地影响外部对象。

关于自主智能体，哪些说法被夸大了

不说明任务、权限和停止条件，“自主”就是一个不完整的描述。智能体可以在范围很窄的任务内独立工作，同时仍需获批才能执行外部操作。要问的是：无人值守时它能完成什么？什么情况会让它停下来？

“Copilot”和“agentic”同样不足以说明控制方式。要检查界面背后的工具和权限。一个亲切的聊天窗口，背后可能是起草助手，也可能是会修改业务记录的系统。

“学习”也需要讲清机制。保存偏好、检索以往对话和改变已训练模型，是不同的操作。具体来看，Notion 表示，关于 Notion Agent 的反馈会提供给其团队，不会用于训练你的个人智能体。不能因为有一个反馈按钮，就推断它在持续自我改进。Notion 对反馈用途的说明

“多个智能体都检查过了”也需要追问。如果它们收到的都是同一份缺乏依据的摘要，一致同意并没有增加多少证据。有效的检查，应当核对原始来源、独立的约束条件，或一次操作的实际结果。

采用智能体最有说服力的场景，是一项范围明确的任务、有可见的结果，以及一位能评估结果的负责人。笼统宣称具备自主能力，并不能证明这些条件已经具备。

周一就能做的事：写清委派边界

在安排厂商演示或搭建原型之前，选一项反复出现的任务，写下边界。运营负责人可以从“将供应商邮件转成内部待审核队列中的更新建议”开始。

1. 1

   写清最终交付物

   明确人最终会收到什么：页面草稿、记录更新建议、代码补丁，还是附有来源的报告。把“处理运营工作”换成一个可以明确接受或拒绝的结果。

2. 2

   限定输入与行动

   列出它可以读取的来源，以及可以修改的位置。以供应商邮件为例，试点只读取选定邮件，并且只把更新建议写入待审核队列。

3. 3

   在关键操作前设置审批

   明确哪个具体操作需要审核，例如更新正式的供应商记录或发送回复。审核者批准之前，应当能看到操作目标和拟议改动。

4. 4

   定义失败情形与责任人

   把供应商名称含糊、指令相互矛盾，以及无法确定操作结果等情况纳入测试。规定智能体何时必须停止、必须记录什么，以及由谁处理异常。

第一份交付物应当是一份简短的委派说明，以及一个可供审核的结果。先能解释这项有限任务在出错时会如何表现，再谈扩大自主范围。

常见问题

智能体的 5 种经典类型是什么？

教材中常见的分类是简单反射智能体、基于模型的反射智能体、基于目标的智能体、基于效用的智能体和学习型智能体。学习能力可以加到其他设计中，并不一定代表一个独立的自主等级。

除了智能体式 AI，还有哪些相关的 AI 类型？

生成式 AI 负责生成内容，预测式 AI 根据数据估计结果。这些能力都可以成为智能体的组成部分。智能体式 AI 描述的是围绕任务选择并执行行动的整体安排，而不是与其他类型互斥的一类模型。

基于模型的智能体与基于目标的智能体有什么区别？

基于模型的智能体在内部维护对环境的表示；基于目标的智能体用预期结果指导行动选择。两者可以共存：维护状态有助于智能体围绕目标进行规划。

ChatGPT 算智能体吗？

教材中“智能体”的广义含义，与企业委派实际操作时采用的含义有所不同。判断一次 ChatGPT 会话时，要看它只是返回答案，还是被配置为调用工具并围绕任务采取行动。仅凭产品名称，无法确定这条边界。

AI智能体的 6 个组成部分是什么？

并不存在通用的六要素标准。一份实用的检查清单可以包括：目标、输入、决策逻辑、状态、工具和执行控制。用它来追问智能体想做什么、掌握什么、如何行动，以及什么能让它停止。

AI智能体的 7 类企业应用有哪些？

本文把企业中的智能体分为应用内助手、工作流与自动化智能体、编程智能体、浏览器与计算机操作智能体、语音智能体、研究智能体，以及多智能体系统。这是一套实用分类，并非通用分类标准，各类之间存在重叠。

所谓的“4 大 AI智能体”指什么？

产品领域并没有标准的“四大”排名。在经典架构分类中，四种基本的行动选择设计分别是简单反射、基于模型的反射、基于目标和基于效用的设计。学习能力可以应用于这些设计。

哪个 AI智能体最受欢迎？

要回答这个问题，必须先明确市场，并取得可比较的使用数据。应用助手的用户数、已部署语音智能体的数量和编程会话数，是不同的指标。没有共同衡量标准的跨类别人气排名，不应成为选型依据。

哪 5 种工作不会被 AI 取代？

智能体分类无法给出一份保证不被取代的职业清单。企业做决策时，应拆解岗位中的任务：哪些可以委派，哪些需要审核，以及谁继续对结果负责。

哪个 AI 最强？

面对这些不同的工作，不存在通用赢家。应评估配置好的系统能否在允许的行动范围内正确完成你的任务，并产出可核验的结果。仅凭模型能力，无法判断整套部署的质量。

想获取在企业中应用 AI 的实用指南，可以订阅邮件通讯。