Agent学习笔记之智能体如何点咖啡

“帮我点一杯冰美式。”对很多人来说，这只是一句随口的话。但对越来越常见的 AI 智能体而言，从这句话到咖啡真正被下单，背后其实走完了一整套“想—做—再想”的循环。今天这篇不讲玄乎的概念，只拆三件事：智能体到底是什么、它怎么一步步把事办成、以及为什么“让它会想”不难，难的是一整套工程。

先搞清楚：智能体到底是什么

可以把智能体理解成三个零件的组合——大模型（负责思考）＋ 上下文（负责记住）＋ 工具（负责行动）。缺了任何一个，它都做不成“事”。

大模型像大脑，能理解你说的话、能推理；上下文像“即时备忘录”，装着目标、进度、刚查到的事实、安全边界；工具像“手脚”，让它真正去查门店、看菜单、下单。没有工具，它只能和你聊天，什么都做不了。瑞幸咖啡为例：它不会自带“瑞幸知识”，但通过工具接口去调用，就能真正把单下出去。

它怎么一步步把事办成：一次“思考—行动”循环

很多人以为智能体是一次性问答，其实它是反复循环。一次最小循环大致有八个环节：接收目标 → 构建上下文 → 选择行动 → 解析工具 → 调用执行 → 记录观察 → 更新状态 → 判断是否结束，然后回到开头，直到任务完成。

以点咖啡为例：你说“来杯冰美式”，它先建上下文，判断出“得先找到附近营业的门店”；于是调用“查门店”工具，拿到结果后更新状态；再判断“下一步该选商品”；查到商品后创建订单；最后到了支付这一环，它会停住，把决定权交还给你。一次循环只推进一步，多轮循环才拼成一个完整任务。

不是所有动作都能自动：工具要分级

智能体手里的“手脚”也有等级之分。只读工具（查门店、看菜单）可以自动跑；写入工具（创建订单）会产生实际变化，需要审查；高风险工具（支付付款）涉及真金白银，必须由用户亲自确认。这一步设计对不对，决定了产品安不安全。

这也是为什么点咖啡时，下单和支付会被拆成两步：先下单成功，再单独确认支付。哪怕一次点好几杯，也只需一次确认。人工介入被放在最该放的地方。

为什么一个点咖啡，要提供三种入口

同样是点咖啡，瑞幸这样的服务商会同时提供 CLI、MCP、Skill 三种接入方式。它们不重复，而是给不同的人、不同的场景设计的。

打个比方：CLI 是给会开车的人手动挡，MCP 是标准化的“插口”，Skill 则是把整套流程做成“一键按钮”。三种方式背后往往还是同一套服务，只是封装程度不同。

通用智能体＋技能：装上就能变“专业”

很多人以为智能体天生专业，其实不是。拿 Codex 这类通用智能体来说，它本身只是个“通用代理”，会理解上下文、会调用工具、能记住当前状态。但它并不知道怎么点咖啡、怎么做 PPT。这些专业能力，是靠“安装技能（Skill）”获得的。

装上“点咖啡”技能，它就懂先搜附近门店、再选商品、再下单支付的完整流程；装上“做 PPT”技能，它就能按主题、风格、页数自动产出成品。它的每一步，都是根据最终目标自动拆出来的，过程中几乎不需要你干预。这也说明：让一个智能体“会想”不难，真正花功夫的，是把一个业务流程抽象成它里面一步步可执行的步骤。

最难的部分，其实不在“会想”

把话题拉远一点：真正让智能体在真实场景里站稳的，往往是一堆不那么酷、但决定成败的工程问题——上下文给得对不对、会不会跑偏、会不会死循环、工具调用错没错、成本高不高、安全合不合规。

上下文错了，很多 AI 就会“翻车”；上下文太长，成本上升、注意力被稀释；任务一多还可能“目标漂移”，只顾中间过程忘了最终目的；没有步数上限还可能陷入死循环。更别提评测——不能只看“答得好不好”，要看它有没有真正完成任务、有没有安全地把事做对。

写在最后：怎么看懂这场变化

所以以后再看到“某某智能体”，不必急着问它有多聪明，可以先看三件事：它有没有真正做事的工具？它把动作分成了几级风险、人工把关放在哪？它在真实场景里是不是稳定、可复用？能持续稳定解决真实问题的，才真正有价值。

智能体不会取代你思考，但它会替你把很多“跑腿”的活干完——前提是，得有人把背后的每一步都想清楚。