Apa itu AI agent?

Satu soalan yang membezakan agent daripada chatbot

Siapa yang menentukan apa berlaku seterusnya?

Dalam chatbot, tiada siapa. Anda hantar mesej, model menghasilkan satu balasan, dan giliran itu tamat. Jika balasan itu perlukan susulan, andalah yang menulisnya. Model tidak pernah bertindak ke atas dunia; ia hanya menulis teks.

Dalam agent, model yang menentukan. Diberi satu matlamat, ia memilih tindakan, seperti mencari di web, menjalankan sekeping kod, membuka halaman atau mengedit fail, mendapatkan hasilnya semula sebagai teks, membacanya, lalu memilih tindakan seterusnya. Ia terus berjalan sehingga menilai matlamat tercapai atau had langkah menghentikannya. Model itulah pengawal gelung ini.

Panduan kejuruteraan Anthropic "Building effective agents", diterbitkan Disember 2024, melakar garis pemisah di tempat yang sama: workflow ialah sistem di mana model berjalan di dalam kod yang menetapkan laluannya, dan agent ialah sistem di mana model mengarah proses dan penggunaan alatnya sendiri. Panduan itu juga terus terang tentang mana satu patut dibina dahulu, dan jawapannya ialah workflow.

Chatbot, workflow, agent: model yang sama, tiga gelung berbeza

Ketiga-tiganya boleh berjalan pada model bahasa yang sama. Yang berbeza ialah apa yang mengelilinginya.

Lajur workflow itulah tempat kebanyakan automasi berguna berada. Satu saluran paip yang meringkaskan dokumen, kemudian mengekstrak tarikh, kemudian merangka balasan, ialah tiga panggilan model mengikut susunan tetap. Ia boleh dipercayai kerana pembangun yang menentukan laluannya. Ia bukan agent, tidak kira apa kata halaman pendaratannya, dan menggelarnya begitu mengaburkan pertukaran sebenar: laluan tetap boleh diramal dan murah, laluan pilihan model fleksibel dan bukan salah satu daripada dua ciri itu.

Rupa gelung itu, langkah demi langkah

Satu larian sebenar. Matlamatnya: "Cari tahu sama ada pesaing kami mengubah harga bulan ini dan tulis rumusan dua perenggan untuk saya."

1. Model membaca matlamat dan menentukan tindakan pertama: carian web untuk halaman harga pesaing.
2. Alat carian memulangkan senarai hasil sebagai teks. Model membacanya dan memilih satu untuk dibuka.
3. Alat pelayar memulangkan halaman itu. Model mengekstrak harga semasa.
4. Model menentukan ia perlukan harga lama, mencari salinan arkib, dan membukanya.
5. Ia membandingkan kedua-duanya, menilai bahawa ia sudah cukup, dan menulis rumusan.

Lima langkah, empat panggilan alat, enam panggilan model. Setiap langkah ialah jawapan penuh daripada model, dengan seluruh sejarah setakat itu sebagai input. Butiran terakhir itulah pemacu kos: menjelang langkah kelima model membaca semula empat halaman hasil carian dan teks halaman pada setiap panggilan. Apakah token dalam AI menjelaskan sebab input yang membesar setiap giliran ialah bentuk yang mahal.

Dan setiap langkah ialah tempat untuk tersilap. Jika carian pada langkah 1 memulangkan syarikat yang salah, langkah 2 hingga 5 merumuskan harga yang salah dengan penuh yakin. Gelung itu memperbesarkan kesilapan sama seperti ia memperbesarkan kemajuan. Had langkah dan pemeriksaan manusia sebelum apa-apa dihantar bukanlah pilihan tambahan.

Apa kos larian agent berbanding satu jawapan

Kira-kiranya ringkas dan ramai orang melangkauinya. Satu jawapan piawai, 1,000 token masuk dan 500 keluar, mempunyai harga senarai bagi setiap model dalam indeks kos model AI, dengan kadar OpenRouter diambil pada 2026-08-20. Larian agent 20 langkah bersamaan sekurang-kurangnya 20 jawapan sedemikian, dan pada hakikatnya lebih, kerana input membesar setiap langkah.

Dua puluh langkah pada Claude Sonnet 5 ialah $0.14 pada harga terendah, berbanding $0.007 untuk satu balasan; pada Claude Opus 5 ia $0.35, dan jika dijalankan setiap jam itu lebih kurang $250 sebulan sebelum darab input yang membesar. Dalam kredit Whizi, kira-kira yang sama terbaca pada tangga Auto di atas: 100 kredit ialah 100 soalan pantas pada model rumah atau 5 giliran penaakulan pada GPT-5.6 Sol, jadi gelung 20 langkah pada anak tangga penaakulan ialah 400 kredit, kira-kira satu perenam daripada bulan Pro 2,500 kredit, dan gelung yang sama pada model rumah ialah 20. Itulah sebabnya reka bentuk yang betul menghala langkah perancangan kepada model kuat dan langkah rutin kepada model murah, dan sebabnya ruang kerja pelbagai model ialah tempat semula jadi untuk kerja agent berbanding langganan satu model.

Produk mana yang benar-benar agent

Pembantu pengekodan yang mengedit fail dan menjalankan ujian ialah agent dalam erti kata sebenar: diberi laporan pepijat, ia membaca kod, membuat perubahan, menjalankan set ujian, membaca kegagalan, dan mencuba lagi. Gelung itu nyata dan model yang mengemudinya.

Mod Deep Research dalam ChatGPT, Gemini dan Perplexity ialah agent: ia mencari, membaca, mencari lagi berdasarkan apa yang ditemuinya, dan berhenti apabila ia menilai soalan sudah diliputi. Bilangan langkah berbeza mengikut soalan, itulah petandanya.

Kebanyakan "agent" dalam menu produk sebenarnya persona atau workflow. Satu baris dalam pemilih model yang dilabelkan sebagai agent cukai atau mentor belajar biasanya hanyalah prompt sistem tetap ditambah satu atau dua alat. Bahagian Agents Whizi sendiri jujur tentang ini: baris CPA Kanada ialah pratetap yang memaksa carian web pada setiap giliran, dihadkan kepada tujuh carian, dengan bajet token lebih besar iaitu 55,000 masuk dan 40,000 keluar. Itu persona dengan satu alat dipasang dan bajet lebih besar, dan ia berguna justeru kerana laluannya tetap. Ia bukan gelung yang dikemudi model, dan panduan Auto routing menjelaskan apa yang sebenarnya memilih model di sebalik setiap mesej.

Kosa kata semakin cenderung menggelar semua benda sebagai agent. Soalan yang perlu ditanya kepada mana-mana produk ialah soalan di puncak halaman ini: siapa yang menentukan langkah seterusnya? Jika jawapannya "skrip" atau "tiada siapa", anda sedang membeli workflow atau chatbot, dan itu mungkin memang yang anda perlukan.

Bila agent alat yang betul, dan bila bukan

Agent berbaloi kosnya apabila laluan tidak boleh diketahui lebih awal: penyelidikan di mana carian kedua bergantung pada hasil pertama, penyahpepijatan di mana pembetulan bergantung pada hasil ujian, penyemakan imbas di mana klik seterusnya bergantung pada halaman. Fleksibiliti itulah produknya.

Agent ialah alat yang salah apabila laluan sudah diketahui. Meringkaskan, mengekstrak, menterjemah, menyusun semula format, mengklasifikasikan: semua ini satu panggilan atau susunan panggilan tetap, dan membungkusnya dalam gelung menambah kos, kelewatan dan cara baharu untuk gagal tanpa menambah keupayaan. Nasihat panduan Anthropic masih berpijak: mula dengan satu panggilan, beralih ke workflow apabila satu panggilan tidak mencukupi, dan gunakan agent hanya apabila workflow itu terus memerlukan cabang yang tidak dapat diramal.

Peraturan keputusannya: jika anda boleh melukis langkah-langkah itu di papan putih sebelum bermula, jangan bina agent.