AI Agents
一种使用 LLM 决定下一步、调用工具执行决定、并循环直到完成目标的软件形态。
AI Agent 是这套循环，不是模型本身。模型（Claude、GPT、Gemini、开源权重 LLM）是决策者。Agent 是运行时：它给模型一个目标，让它调用工具（一个数据库、一个 API、一个代码解释器、另一个 Agent），常常经由 MCP，观察结果，并把循环喂下去直到完成。
这个区分要紧，因为 Agent 式系统的失败方式与直接的 LLM 应用不同。聊天机器人答错了，用户翻篇。一个答错的 Agent 会发出一封邮件、做一笔交易，或删一份文件。生产级 Agent 需要授权 Gate、可观测性和熔断器，而多数原型都跳过了这些。
最常见的生产失败，举个实际例子：一个客服 Agent 被给了一个「解决工单」的目标和一组工具。一张畸形工单把它送进一个循环，它把同一个查询工具调了几十次，一下午就烧光了模型预算，却从未抵达一个解决方案。修法不是一个更聪明的 Prompt，而是工程：一个硬性步数上限、一个成本天花板，以及一个会停下循环并升级给人的熔断器。任何会写的动作（发一条消息、做一笔支付、删一条记录）都加一个 Human-in-the-Loop 的 Gate；只读的循环通常可以无人值守地跑。
诚实的取舍与该避免的创始人错误：Agent 增加了非确定性、延迟，以及比固定流水线大得多的爆炸半径，换来的是处理那些步骤无法预先枚举的任务。多数被吹成「Agentic」的工作流其实是被充分理解的，用一条确定性流水线、中间放一两次 LLM 调用、常常再由 RAG 提供接地，会服务得更好。Wavect 的立场：先问 AI 是不是这里合适的工具，再问 Agent 是不是合适的 AI 形态。如果你能把步骤写下来，就别让模型即兴去演它们。