智能体有哪些核心特点？

智能体是能够围绕一个目标，自行决定执行步骤、调用工具，并根据环境反馈继续推进的系统。人给出目标、边界和验收标准，执行路径由模型在任务中决定。

Anthropic 在 2024 年 12 月的工程文章《Building effective agents》里，把智能体描述为模型动态决定自己的流程和工具使用，并对如何完成任务保持控制。同样是用大模型，工作流沿着预先写好的代码路径执行，智能体在运行时选择路径。

智能体最大的特点是自主闭环。它接到目标后，会规划下一步、调用工具、读取结果，再判断继续、修正还是停下。2026 年 9 月 1 日实施的通信行业标准 YD/T 6925-2026，把智能体基础技术能力拆成基础能力、规划能力、记忆能力、工具调用能力和执行能力五个维度。这套划分适合判断一个产品是否具备完整能力，也适合企业做选型。

对准备把智能体放进业务的企业来说，先分清企业级 AI Agent和演示型产品的差别，比逐项比较功能清单更有用。

图 智能体的自主闭环，记忆为规划和执行提供上下文。

智能体和普通程序、聊天机器人差在哪

把四类系统放在一起，差别会清楚很多。

看这张表，重点在第二列和第四列。普通程序把路径写进代码，遇到未覆盖的情况只能报错；聊天机器人擅长理解和生成内容，通常不改变业务系统状态；工作流自动化能调用工具，节点和失败分支由人提前编排；智能体的步骤在任务中生成，能读取工具结果后调整路线。

判断方法也很直接。把同一类任务换成一个没见过的输入，看它还能不能自己找到路径；执行到一半接口报错，看它是继续按原计划走，还是会重试、换工具或停下来求助。

工作流并不低一级。步骤稳定、结果要求一致的任务，工作流更便宜，也更容易控制。智能体适合步骤无法提前穷举、需要边做边判断的任务。两者的分界线在任务的不确定性，不在名字的新旧。

目标驱动，自己决定下一步

智能体接到的是目标和约束。例如运营负责人提出，把上周新增用户的流失原因定位到三个主要渠道，并给出可以执行的召回建议。先查哪张表、用哪个口径、要不要追问、何时停止，这些选择由智能体在任务中完成。

目标驱动有三个可观察的信号：

• 任务拆解随输入变化。同样一句分析请求，面对不同数据源会生成不同步骤。
• 执行过程不需要人逐步指挥。人只在目标不清、权限不足或结果验收时介入。
• 输出围绕验收标准组织。它知道自己要交付的是一份结论、一次操作，还是一组可复现的结果。

自主性体现在路径选择，不体现在跳过确认。 目标写得含糊，自主性会把偏差放大。企业落地时，目标、权限和停止条件需要一起给。

会规划，也会在执行中改计划

规划能力通常包括任务拆解、顺序安排和资源调度。智能体先形成一个可执行的计划，再在每一步读取工具返回，判断计划是否仍然成立。

计划在智能体里是待验证的假设。工具返回空数据、接口超时、搜索结果互相冲突，都会让原计划失效。此时能不能改计划，比第一次计划写得多漂亮更重要。可以观察四个动作：重试、换工具、缩小范围、向人提问。四个都做不到的智能体，通常只是把固定流程包装成了对话。

长任务还要看误差累积。假设每一步相互独立，单步正确率 99%，连续 100 步全部正确的概率约为 36.6%。这个估算很粗糙，但能说明一个问题：步数一长，单步准确率不够用，规划和纠错必须一起看。 评估智能体，别只看一次演示，要看它在第 20 步、第 50 步之后还能不能保持方向，遇到失败能不能收敛。

能调用工具，改变外部状态

工具调用让智能体从给建议走到改状态。常见工具包括三类：

• 查询类，数据库、搜索、知识库、报表接口，负责把事实和上下文取回来。
• 操作类，发消息、建工单、圈人群、改配置、下单，负责改变外部系统。
• 计算类，代码执行、SQL 查询、数据校验，负责把结果算出来并验证。

只会说不会做的系统，价值停在建议。智能体的行动能力来自工具调用，也来自工具返回的真实结果。模型上下文协议 MCP 把工具接入做成相对统一的方式，企业可以把内部系统和第三方服务暴露给智能体，减少每个模型、每个工具单独适配的成本。ThinkingAI 也提供 MCP 服务，用于连接业务系统和外部工具。

工具越多不代表能力越强。工具说明清楚、参数有约束、返回可校验，才决定它能不能稳定完成任务。 写操作还要单独看权限，能不能写、写哪些字段、是否需要审批，这些边界要在接入时定好。

有记忆，重点在可管理

记忆通常分两层。短期记忆保存当前任务的状态、已执行步骤和工具返回，让智能体在多轮执行中不丢上下文；长期记忆保存用户偏好、业务规则、历史决策和有效方法，让下一次任务少走弯路。企业需要按场景决定记什么、记多久。

记忆的价值在于减少重复沟通和重复试错，风险也在这里。错误的口径、过期的政策、一次偶然的成功，都会被记下来，影响后续任务。判断记忆能力，问三个问题：这条记忆从哪来，什么时候更新，错了怎么删。

企业场景里，记忆常常落在知识库和语义层上。指标口径、业务规则、文档版本需要先治理，智能体才能稳定调用。把原始文档直接塞进上下文，信息密度低，冲突也多。可参考 Agent 语义层建设指南，先统一口径，再谈记忆复用。

闭环执行与反馈校正

执行能力包括虚拟环境和现实环境。虚拟环境里，智能体调用接口、运行代码、修改数据；现实环境里，它可能操作设备、终端或其他执行器。执行之后要读取结果，判断任务是否达成，再决定继续、修正还是停止。

闭环的关键在反馈。没有反馈，智能体只能按计划往前推；有反馈，它才能发现自己走错了。工程上常见的做法包括设置最大步数、超时时间、重试上限、降级方案、人工接管和回滚机制。这些机制看起来像限制，实际是智能体能够进入生产的前提。

一个成熟的智能体，能力不只体现在做对，还体现在知道什么时候停下。 遇到权限不足、数据缺失、结果冲突，它应该说明卡在哪里，把判断交给人。硬撑着执行，往往比停下来代价更高。

自主性越强，可控性越是前提

企业要把智能体的动作按风险分级，常见做法是四档：

• 只读，允许查询和总结，不允许改数据。
• 建议，输出方案和下一步动作，由人执行。
• 需审批，智能体准备好动作，等人确认后执行。
• 自动执行，用于低风险、可回滚、结果可验证的动作。

分级要落到具体动作，不按角色一刀切。发送一条内部提醒和修改一笔结算金额，风险不同，权限也应该不同。审计链路同样重要，输入、计划、工具调用、返回结果和最终动作都要能回看，出了问题才能定位到具体环节。

信通院在 2026 年 9 月发布的标准解读中提到，2026 年 12 月 1 日实施的 YD/T 7364-2026《代理型人工智能系统技术要求》覆盖自主决策、规划行动、持续学习、通信交互、记忆存储和人机协同。可控性已经进入标准视野，企业在选型时可以把 Agent 治理能力作为硬指标。可控性做得好，企业才敢把写操作交给智能体；可控性差，智能体只能停在只读和建议。

智能体能力验证：目标规划、反馈、工具、记忆与接管

• 给它目标，它能不能自己拆步骤？ 只能执行固定指令的，更接近自动化脚本。
• 环境变了，它会不会改计划？ 接口报错、数据缺失时仍按原计划硬走的，规划能力有限。
• 它能不能调用你的业务系统，并读回结果？ 只生成文本的，是助手；能读写系统并校验结果的，才具备行动能力。
• 它有没有可管理、可纠正的记忆？ 记得多不等于记得对，来源、更新和删除机制要能说清。
• 出错时，它能不能停下来并交给人？ 没有停止条件和人工接管的智能体，不适合进入生产链路。

五个问题都答是，才接近完整智能体。只有第一项，通常是助手；前三项具备、后两项缺失，演示会好看，生产难用。一个实用的筛选办法是，三个以上答是再进入试点，五个都答是才考虑放进关键业务。

以 ThinkingAI 的 Agentic Engine 为例，平台把 Agent 创建、管理、多 Agent 协作、全域感知和私有化部署放在同一套底座上，企业可以在自有数据边界内搭建智能体。ThinkingAI 已服务全球 1500 家企业，接入产品超过 8000 款；旗下 Tiki 智能助手在中国信通院数据分析智能体评估中获得 4+ 级。这些信息说明平台具备工程化基础，具体能否解决你的问题，仍要回到任务和验收标准。

常见问题

智能体一定要有长期记忆吗

不一定。完成一次任务的短期状态记忆是基础，长期记忆取决于场景。客服、运营、分析这类需要跨会话延续偏好和历史的场景，长期记忆有价值；一次性查询或规则明确的任务，可以只保留任务内记忆，降低污染风险。

智能体越自主越好吗

自主程度要和错误成本匹配。低风险、可回滚、结果可验证的任务，可以提高自动执行比例；涉及付款、删除、对外发布、权限变更的动作，适合保留审批或人工确认。自主性可以分级配置，不需要在完全手动和完全自动之间二选一。

企业第一个智能体任务怎么选

用五个条件筛：任务频率高、人工成本高、流程已数字化、结果可验证、错误可撤销。占得越多，越适合先做。周报生成、异常订单排查、投放素材复盘通常比跨部门战略规划更容易跑出结果，因为边界清楚，结果也能核对。

多智能体一定比单智能体好吗

不一定。任务需要不同专业分工、可以并行处理，或者需要独立复核时，多智能体有价值；协调会增加延迟、成本和一致性风险。单智能体能完成的任务，先用单智能体。

先把一个任务跑通

判断智能体，不必从概念争起。选一个高频、可验证、可回滚的任务，给它目标、工具、权限和停止条件，跑两周，记录三个数：任务完成率、人工接管率、单次任务成本。

三项都稳定，再扩任务；任何一项失控，先收权限、补记忆、改流程。智能体的能力会在反馈中逐步稳定，企业需要把反馈设计进系统。需要更完整的实施顺序，可以参考 企业 Agent 落地路线图。

参考资料

• Anthropic，Building effective agents，2024 年 12 月 19 日，https://www.anthropic.com/engineering/building-effective-agents
• 工业和信息化部，YD/T 6925-2026《人工智能 关键基础技术 智能体基础技术能力要求》，2026 年 6 月 1 日发布，2026 年 9 月 1 日实施，https://hbba.sacinfo.org.cn/stdDetail/c2e19110e36adbc0242519e5d0190b37f69a0ebf39ffbda7b1dfb7b8bfe0f1ef
• 中国信通院，智能体系列行业标准发布，2026 年 9 月 22 日，https://www.jcnl.org.cn/183.html