Agentic Engineering
智能体工程核心概念
用最直白的语言，把 Chat、Copilot、Agent 放回同一张图里。本模块不是让你变成工程师，而是让你能做出更清楚的技术判断。
AI的四次进化：从规则到智能体
理解Agent是什么之前，先看它从哪里来。点击时间线上的节点探索每个时代。
AI不再只是回答问题——它能思考、规划、使用工具、执行任务、检查结果、自我纠错。这就是Agent。
三种工作模式，不要混着讲
核心表达只有三句：Chat 回答问题，Copilot 辅助完成任务，Agent 为目标自主规划并执行。
Agent的六大核心能力
一个优秀的AI Agent就像一个顶级员工——能看、能想、能规划、能做事、能记住、能反思。点击展开每项能力的详解。
Agent能接收和理解多种输入，包含文字、图片、文件、数据库查询结果和 API 返回值。就像一个员工能看邮件、读报表、听汇报。
你的客服 Agent 能同时“看”到客户的聊天记录、订单状态、历史投诉，而不是只看到当前这句话。
感知能力决定了Agent的信息带宽——它能同时处理多少、多复杂的信息源。
三种主流Agent架构
不同的任务适合不同的架构模式。这不是选择题，而是工具箱——了解它们，才能为你的场景选对方案。
Agent每一步先想清楚要做什么，再去做，做完看看结果，然后继续想下一步。
就像一个侦探：分析线索 → 去现场调查 → 发现新证据 → 重新分析
适合需要逐步推理、与外部系统交互的任务
给决策者的五条核心认知
Agent ≠ 聊天机器人。聊天机器人只会对话，Agent能理解、规划、使用工具、完成任务。这是质的飞跃，不是量的改进。
Agent的价值不在于取代人，而在于处理人不愿做、做不快、或做不过来的工作。最佳模式是“Agent 做 80% 的基础工作，人做 20% 的判断决策”。
选对架构比选对模型更重要。GPT-4 还是 Claude 不是核心问题，用 ReAct 还是 Multi-Agent、工具链怎么编排、反思机制怎么设计，这些才是工程决策的关键。
从低难度、高 ROI 的场景切入。不要上来就做最复杂的系统。客服、文档处理、内容生成这些“低垂的果实”能快速验证价值、建立组织信心。
Agent 的能力边界在快速扩展，但今天仍然有明确边界。下一个模块，我们会用真实 Demo 告诉你“哪些是真的能做到的，哪些是吹牛”。