什么是 Agentic AI

在进入第4章之前，有一个词你会反复看到：Agentic。

它不是某个具体技术，而是描述一种 AI 工作方式的形容词——理解了它，后面的 MCP、多 Agent、工作流编排才会有清晰的脉络。

从"回答问题"到"完成任务"

普通 LLM 的使用方式是这样的：

你 → 发一个问题 → 模型 → 给你一段文字 → 结束

你需要把结果复制出来、手动执行、再把新情况贴回去问模型——循环由你来驱动。

Agentic AI 反过来了：

你 → 给一个目标 → 模型自己规划 → 调用工具 → 观察结果 → 继续推进 → 直到完成

循环由模型来驱动，你只需要最后验收结果。

💡 类比：普通 LLM 是顾问——你问一句，他答一句，接下来怎么做还是你的事。Agentic AI 是承包商——你说"帮我装修厨房"，他自己排期、买材料、找工人、盯施工，出了问题自己解决，完工了来找你验收。

1. 自主规划（Planning）

不等你指令，自己把大目标拆成子任务：

目标：帮我分析这份销售数据，找出问题并写报告

↓ 模型自己规划

步骤 1：读取 CSV 文件
步骤 2：按地区/产品汇总数据
步骤 3：识别异常趋势
步骤 4：生成图表
步骤 5：撰写分析报告

2. 工具使用（Tool Use）

能调用外部能力，不只是输出文字：

3. 反馈循环（Feedback Loop）

行动之后观察结果，根据结果调整下一步：

执行代码 → 报错了 → 读错误信息 → 修改代码 → 再执行 → 成功

这和"一次问答"的本质区别在于：模型的输出会影响它自己的下一步输入。

Agentic AI 不是新想法，但以前的模型做不好，因为：

2024 年之后这些都有了质的变化：模型越来越擅长遵循结构化指令、上下文窗口扩展到几十万 token、工具调用成功率大幅提升。

⚠️ 常见误解：Agentic AI 不等于"完全自动化、无需人工干预"。实际上，好的 Agentic 系统会在关键决策点停下来询问人类确认（Human-in-the-Loop），特别是涉及不可逆操作时。

带着 Agentic 的视角，第4章的内容会更清晰：

🛠️ 实战练习

找一个你日常工作中重复性高、步骤超过3步的任务，比如"整理周报素材并写成报告"。写下它的步骤，思考：哪些步骤是 AI 可以自主完成的？哪些步骤必须等人工确认才能继续？

这个练习没有标准答案，但它会帮你在后面章节里更快建立"什么该用 Agentic 来做"的直觉。