Agent 与 OpenClaw 相关概念

这部分先把 Agent 的基本概念说清楚。OpenClaw 可以看成一个实践场景，重点不是记某个平台的名词，而是理解 Agent 为什么能从“回答问题”走向“执行任务”。

什么是 Agent

Agent 的核心定义是：将大语言模型与工具结合，创建一个能够推理任务、决定使用哪个工具，并迭代寻找解决方案的系统。它不是只回答一句话，而是会根据任务状态持续判断下一步怎么做，直到完成用户指定任务，或达到停止条件。

可以把它拆成三个角色来理解：

大模型

系统的大脑，负责理解用户意图、分析当前状态，并规划下一步行动。

工具

系统的手和感官，负责执行具体动作，比如搜索、计算、读写文件、查询数据库或调用外部 API。

Agent

协调大脑和工具的自动化流程：选择工具、执行工具、观察结果，再继续推理。

Agent 核心组成

传统大模型调用更像“问一次、答一次”，Agent 更像“拿到目标后，自己规划步骤并推动任务完成”。

对比维度	传统大模型 / AIGC	AI Agent
核心能力	内容生成	任务规划与自主执行
交互模式	被动响应，依赖提示词	主动规划，自主决策
输出结果	建议、方案、文本内容，通常还需要人工处理	可交付的最终结果，比如已整理的文件、已执行的操作、已生成的报告
外部交互	有限，主要通过文本	更强，可通过工具操作外部系统

一句话说：传统大模型主要产出内容，Agent 进一步负责把内容变成行动和结果。

Agent 常见的工作模式是 ReAct，也就是 Reasoning + Acting：先推理，再行动；拿到行动结果后继续推理。

工具调用容易混淆：模型并不是自己执行工具，而是先生成一个结构化的工具调用意图。

更准确地说，LLM 在推理后会输出类似下面这样的结构化信息，里面包含工具名称和工具参数：

{
  "name": "search",
  "args": {
    "query": "需要查询的问题"
  }
}

这一步可以理解为意图识别后的结果：模型已经判断出“我要调用哪个工具，以及要传什么参数”。随后由 Agent 运行时或 Tool Executor 真正执行工具，工具返回值再以 ToolMessage / Observation 的形式放回消息列表，交给模型继续推理。

Agent 工具调用循环

这里要抓住一个重点：Agent 的能力不是只来自模型本身，而是来自 模型、工具、状态、规则和运行时控制 的组合。

Workflow 是更广义的 LLM 编排模式，表示把多个步骤按预设结构组织起来，比如串行、并行、路由、聚合等。ReAct Agent 可以看成一种典型的智能体模式，也可以作为 Workflow 里的一个组件，但 Workflow 不一定都需要 Agent。

Workflow 和 Agent 的区别

当任务是开放式的，执行路径不确定，需要系统自己判断“下一步做什么、调用哪个工具、结果是否足够”时，更适合使用 Agent。

例如：排查线上问题、自动整理多来源资料、根据结果继续追问和搜索、处理需要多轮工具调用的复杂任务。

简单来说：Workflow 是流程先定好，Agent 是边做边决定。如果步骤清楚，用 Workflow 更稳定；如果路径不确定，需要探索和判断，就让 Agent 参与。

复杂任务可以拆给多个子 Agent 协作完成。主 Agent 负责理解用户目标、拆解任务、分配子任务、收集结果并生成最终响应；子 Agent 则专注处理某一类任务。

主 Agent 与子 Agent 协作

这种结构适合任务跨度比较大的场景。比如一个主 Agent 负责“完成一份项目分析报告”，可以把资料检索、代码阅读、数据整理、内容撰写分别交给不同子 Agent，再统一汇总成最终答案。