什么是AI智能体？

区分智能体和聊天机器人的那个问题

谁来决定接下来发生什么？

在聊天机器人里，没有人决定。你发一条消息，模型给出一条回复，这一轮就结束了。如果回复还需要跟进，那要由你写下一句。模型从不对现实世界采取行动，它只是写文字。

在智能体里，是模型自己决定。给定一个目标，它会挑选一个动作，比如搜索网页、运行一段代码、打开一个页面或编辑一个文件，把结果以文本形式读回来，再挑选下一个动作。它会持续下去，直到判断目标已经达成，或者被步数上限叫停。模型才是这个循环的控制者。

Anthropic在2024年12月发布的工程指南《Building effective agents》把界线画在同一个地方：工作流是模型运行在固定路径代码里的系统，智能体则是模型自己主导流程和工具使用的系统。这份指南也直言该先构建哪一种，答案是工作流。

聊天机器人、工作流、智能体：同一个模型，三种不同的循环

三者都可以跑在同一个语言模型上，区别在于外面包了什么。

工作流这一列，正是大多数有用自动化所在之处。一条先总结文档、再提取日期、再起草回复的流水线，是三次按固定顺序执行的模型调用。它可靠，是因为路径由开发者决定。无论落地页怎么写，它都不是智能体，把它叫成智能体，只会掩盖真正的取舍：固定路径可预测且便宜，模型自选路径灵活，但两者都占不到。

这个循环具体是什么样子，一步一步看

来看一次具体运行。目标是："查一下我们的竞争对手这个月有没有调整定价，写一段两段的总结给我。"

1. 模型读取目标，决定第一个动作：搜索竞争对手的定价页面。
2. 搜索工具以文本形式返回一系列结果。模型读取后挑一个打开。
3. 浏览器工具返回该页面。模型提取当前价格。
4. 模型判断还需要旧价格，于是搜索存档版本并打开它。
5. 它比较两者，判断信息已经足够，写出总结。

五步，四次工具调用，六次模型调用。每一步都是模型的一次完整回答，输入还包括到目前为止的全部历史。这最后一点正是成本的驱动因素：到第五步时，模型每次调用都要重新读取此前四页的搜索结果和网页文本。什么是AI里的token 详细解释了为什么每轮都在增长的输入是最昂贵的那种形态。

而且每一步都可能出错。如果第1步的搜索找错了公司，第2到第5步就会自信满满地总结出错误的定价。这个循环放大错误的方式，和它放大进度的方式一模一样。设置步数上限，并在任何操作发出之前设置人工检查点，都不是可选项。

一次智能体运行对比一次单独回答，要花多少钱

这笔账很简单，但人们常常懒得算。一次标准回答，输入1000个token、输出500个token，每个模型的标价可在AI模型成本索引中查到，其中OpenRouter价格于2026-08-20抓取。一次20步的智能体运行，至少相当于20次这样的回答，而实际上往往更多，因为每一步的输入都在增长。

在Claude Sonnet 5上，20步的成本按底价算是$0.14，相比之下单次回复只要$0.007；在Claude Opus 5上是$0.35，如果每小时都跑一次，在输入增长带来的倍数效应之前，一个月大约就是$250。换算成Whizi额度，同样的算法可以对照上面的Auto阶梯来读：100个额度相当于在入门模型上问100个快速问题，或在GPT-5.6 Sol上进行5轮推理对话，所以在推理这一档跑一次20步循环要花400个额度，约为2500额度Pro套餐的六分之一，而同样的循环换成入门模型只要20个额度。这正是为什么正确的设计要把规划步骤路由给强模型，把常规步骤路由给便宜模型，也是为什么多模型工作区、而不是单一模型订阅，才是智能体工作的自然归宿。

哪些产品才是真正的智能体

能编辑文件、运行测试的编程助手，是严格意义上的智能体：给定一份缺陷报告，它读代码、做修改、运行测试套件、读取失败信息，再重试一次。这个循环是真实存在的，而且由模型主导。

ChatGPT、Gemini和Perplexity里的Deep Research模式是智能体：它们搜索、阅读、根据发现的内容再次搜索，并在判断问题已经覆盖到位时停止。步数因问题而异，这正是识别的关键。

产品菜单里大多数所谓的"智能体"其实是人设或工作流。模型选择器里标着税务智能体或学习导师的一行，通常只是一个固定的系统提示词加一两个工具。Whizi自己的智能体板块对此很坦诚：加拿大CPA那一行是一个预设，强制每轮都进行网页搜索，上限为七次搜索，并配有更大的token预算，输入55,000、输出40,000。这是配了工具、预算更大的人设，它之所以有用，恰恰是因为路径是固定的。它不是一个由模型主导的循环，而Auto路由指南解释了到底是什么在为每条消息挑选模型。

把一切都称为智能体的说法正越来越泛滥。判断一个产品的方法，就是本页开头那个问题：谁决定下一步？如果答案是"某个脚本"或"没有人"，那你买的其实是工作流或聊天机器人，而这也许正是你需要的。

什么时候该用智能体，什么时候不该

当路径无法提前得知时，智能体才值回它的成本：比如研究场景中第二次搜索取决于第一次的结果，调试场景中修复方案取决于测试输出，浏览场景中下一次点击取决于当前页面。灵活性就是产品本身。

当路径已知时，智能体就是错误的工具。总结、提取、翻译、重新排版、分类，这些都是一次调用或一串固定顺序的调用，把它们包进一个循环，只会增加成本、延迟和新的出错方式，却不会增加能力。Anthropic那份指南的建议依然成立：先从单次调用开始，一次调用不够时再进阶到工作流，只有当工作流不断需要一个你无法预判的分支时，才考虑用智能体。

判断规则是：如果你能在开始之前就把步骤画在白板上，那就不要构建智能体。