AI 智能体有多种类型。有些只对当前输入做出反应,有些能记住上下文、比较选项、从反馈中学习,或与其他智能体协作。选对类型能让智能体更好地匹配工作流程。本指南介绍了 AI 智能体的主要类型,并以 Kimi AI Agent 为例，展示 AI 智能体的强大能力。
为什么 AI 智能体类型在实践中很重要
从预测到执行
传统 AI 系统往往止步于分析或给出下一步的行动建议。AI 智能体则更进一步：它们感知当前情况、选择行动、在需要时调用工具,直到任务完成或系统达到停止条件。
这一转变让设计选择变得更加重要，因为不同类型的工作需要不同的工作流程。理解 AI 智能体的不同类型,能帮助团队避免在简单工作流上过度设计，在复杂工作流上设计不足。
智能体类型如何影响设计决策
智能体类型几乎会影响每一个实现层面的决策：智能体存储哪些信息、是否在行动前进行规划、如何处理不确定性、如何在多个可接受的结果中做选择,以及能否通过反馈不断改进。它还会影响治理方式:简单反射智能体可以通过规则来审计,而学习型或多智能体系统则需要更强的评估、日志记录和防护机制。
AI 智能体的不同类型
人工智能中有五种经典的智能体类型:简单反射智能体、基于模型的反射智能体、基于目标的智能体、基于效用的智能体,以及学习型智能体。多智能体系统通常被视为一种更宏观的编排模式,因为它可以将多种智能体类型组合成一个协同工作流。下面这六个类别，按决策逻辑从最简单到最协作、最具适应性的设计依次排列。
| 类型 | 记忆 | 提前规划 | 学习能力 | 最适合场景 |
|---|---|---|---|---|
| 简单反射型 | 无 | 无 | 无 | 范围狭窄的基于规则的任务 |
| 基于模型的反射型 | 有（状态） | 无 | 无 | 部分可观察的任务 |
| 基于目标型 | 有 | 有 | 有时 | 目标明确的工作流程 |
| 基于效用型 | 有 | 有 | 有时 | 需要权衡取舍的决策 |
| 学习型 | 有 | 因情况而异 | 有 | 反馈丰富、不断变化的任务 |
| 多智能体型 | 按智能体各自具备 | 按智能体各自具备 | 因情况而异 | 并行、专业化的工作 |
1. 简单反射智能体
简单反射智能体是最基础的 AI 智能体类型。它会观察环境的当前状态,并通过应用预定义的“条件-动作”规则来选择行动。它能做的，就是根据当前感知立即做出反应,而不考虑过去的感知或未来的后果。
在环境完全可观测、且正确应对方式明确的情况下,这种设计效果很好。它速度快、行为可预测,也容易审计,但当上下文变得重要时就会失效。如果输入不完整,或规则没有覆盖新情况,智能体就没有更深层的推理能力来应对。
关键特性
基于规则的行动：智能体将当前输入映射到预定义的动作。
没有记忆：之前的状态不会影响下一次决策。
可预测性高：在规则和输入都已知的情况下，行为容易测试。
灵活性低：面对歧义、信息不全或条件变化时，智能体会力不从心。
示例
基于规则的邮件过滤器，在出现特定关键词时对邮件进行分类路由。
基础网站聊天机器人，针对固定意图返回预先写好的答案。
2. 基于模型的反射智能体
基于模型的反射智能体在简单反射智能体的基础上做了改进,它维护了一个环境的内部模型,追踪相关状态,并利用该模型来解读当前输入的含义。
当智能体无法一次看清所有情况时，这种方式就很有用。例如，一台在仓库中移动的机器人需要记住障碍物出现的位置、自己已经走过的路径,以及环境通常会如何变化。这类智能体仍可能使用“条件-动作”规则,但这些规则作用于一个信息更丰富的世界模型之上。
关键特性
内部状态：智能体存储关于环境的信息。
更强的上下文处理能力：过去的观察有助于解读当前输入。
适用于部分可见的场景：即使无法立即获取全部信息，智能体也能行动。
仍有局限：它可能无法进行深入规划，也难以在众多可能的未来结果之间进行优化。
示例
在触发补货之前先追踪库存状态的供应链监控系统。
一个能记住同一工单中先前消息的客户支持分派智能体。
一个随路况变化更新路线模型的导航系统。
3. 基于目标的智能体
基于目标的智能体通过判断某个动作是否能让系统更接近既定目标来选择行动。它不只是简单地做出反应，而是搜索或规划一系列能够实现目标的动作。这类智能体还可以评估可能的下一步、选择方案、执行其中一部分、观察进展，并在环境变化时做出调整。这使得它比反射型设计更具主动性。
主要特点
明确的目标：智能体的行动与某个目标状态或任务结果相关。
规划能力：它可以在行动前比较不同的动作序列。
进度跟踪：智能体可以检查自己是否正在朝目标推进。
更高的计算和控制需求：规划可能较慢，且需要明确的停止条件。
示例
一个能收集资料、提取证据并撰写报告的研究智能体。
一个将请求拆解为任务并按顺序执行的项目自动化智能体。
一个能规划修改、运行测试并反复迭代直到达成目标行为的编程 agent。
4. 基于效用的智能体
基于效用的智能体不止于完成目标，还会为可能的结果打分，并选择预期价值最高的动作。当存在多个可接受答案、相互冲突的约束条件，或速度、成本、准确性、用户偏好与风险之间存在权衡时，这一点尤为重要。
例如，基于目标的旅行智能体只能找到从一个城市到另一个城市的路线。而基于效用的旅行智能体可以从价格、旅行时间、换乘风险、行李规定和偏好航空公司等方面比较不同路线。它不只是问目标能否实现，还会问在所选标准下哪个选项最优。
主要特点
效用函数：智能体为可能的结果赋予价值。
权衡管理：它能平衡相互竞争的目标和约束条件。
更优的决策质量：它可以在多个可行方案中做出选择。
设计难度更高：效用函数必须真实反映用户和业务的优先级。
示例
一个在收益、波动性和流动性约束之间进行平衡的投资组合助手。
一个根据配送时间、燃油成本和可靠性选择路线的物流规划器。
一个根据情绪、紧急程度和账户价值决定升级优先级的客服智能体。
5. 学习型智能体
学习型智能体通过利用经验中的反馈，随着时间推移改进自身行为。它可以在观察哪些方法有效、哪些无效之后，调整策略、优化模型、更新偏好或提升性能。学习可以来自有监督数据、强化信号、人类反馈、评估结果或使用模式。
主要特点
反馈回路：智能体衡量自身表现，并利用结果进行改进。
适应能力：它比静态规则集更能应对新出现的模式。
对评估的依赖：良好的学习需要清晰的质量信号。
治理需求：团队必须监控行为漂移、意外行为和数据质量问题。
示例
一个从点击、购买和明确评分中学习的推荐智能体。
一个随攻击者行为变化而不断适应的欺诈检测智能体。
一个根据学习者错误调整讲解方式的辅导智能体。
6. 多智能体系统
多智能体系统使用多个智能体协同工作，它们可以协作、竞争、委派任务或各自专注于某一方面。每个智能体可能拥有各自的角色、工具集、记忆范围或目标。系统可以由协调者分配任务并汇总结果，也可以根据架构设计让各智能体之间更直接地交互。
当单个智能体处理速度太慢，或容易遗漏重要视角时，多智能体系统就很有用。它们可以并行开展研究、拆分大型文档集、模拟专家评审，或先分头推进多条工作线再合并结果。设计上的难点在于协调：系统需要一种方式来分配工作、避免重复劳动、化解分歧，并产出连贯一致的最终结果。
关键特征
专业分工：不同智能体可以专注于不同的子任务、工具或视角。
并行执行：工作可以被分发出去，以缩短处理时间。
协调层：系统需要具备任务分配、依赖关系跟踪和结果整合的能力。
复杂度更高：评估和治理不仅要覆盖单个智能体，还要覆盖最终的整合结果。
示例
一个将不同来源类别分配给不同子智能体的研究集群。
一个由多个智能体组成的软件团队，其中一个负责编辑代码，一个负责编写测试，一个负责审查安全风险。
一个市场分析系统，分别用不同的智能体负责竞争对手、客户、定价和监管方面的分析。
一个内容生产工作流，其中研究、大纲、写作、编辑和事实核查等智能体协同合作。
Kimi AI Agent 融合了多种智能体类型
Kimi 是由月之暗面开发的 AI 助手。Kimi 支持联网搜索、深度思考、多模态推理、长上下文对话以及智能体化任务执行。可以将其理解为一个全面的智能体平台：用户提出目标，Kimi 便会进行规划并完成研究、内容创作、文档、幻灯片、电子表格、网站等相关工作流。
主要功能
自主任务规划：Kimi AI Agent 可以将一项宽泛的需求拆解为一系列步骤，然后逐步完成所要求的成果。
实时联网搜索：当任务依赖最新事实、来源或市场信息时，Kimi 可以通过联网搜索获取当前信息。
深度研究工作流：对于研究密集型任务，Kimi 可以收集、比较并综合信息，生成更丰富的报告和多种格式的输出。
文档、幻灯片、表格和网站创作：Kimi 提供针对文档、幻灯片、表格和网站的专用创作平台，使智能体的工作成果不止是纯文本，而是可直接使用的成品。
文件处理：根据 Kimi 帮助中心的说明，Kimi 支持 PDF、Word、Excel、PPT、图片、TXT 和视频等常见文件类型，并对文件大小和数量有明确限制。
多模态推理：当工作流需要视觉或文档理解时，Kimi 可以针对文本、图片、图表、文档等上传材料进行推理。
Agent 集群编排：对于范围广泛或可并行处理的工作，K2.6 Agent 集群 [测试版] 可以协调多个子智能体，让任务的不同部分同时推进。
对于需要在多种 AI 智能体类型之间做选择的用户，实用的结论很简单：在范围狭窄的自动化任务中使用反射式设计，在涉及规划和权衡的工作流中使用基于目标或基于效用的设计，而当任务足够广泛、能从专业分工和并行工作中获益时，则使用多智能体设计。Kimi AI Agent 将这些理念融入到一个面向用户的工作空间中，其目标不只是给出答案，而是完成实际工作。
如何选择合适的 AI 智能体类型
从任务环境本身出发，而不是从技术标签出发。当任务范围狭窄、规则稳定、且错误操作代价较低时，使用简单反射式智能体。当你需要状态或记忆时，选择基于模型的智能体；当你有明确目标时，选择基于目标的智能体；当你需要权衡多个相互竞争的优先事项时，选择基于效用的智能体。
当性能应随反馈不断提升、且你能够定义可靠的质量信号时，使用学习型智能体。当你的工作流天然可以拆分为多条并行工作线、多种专家角色或多个独立视角时，使用多智能体系统。如果你需要以上所有能力，应有意识地将它们组合起来，而不是强行让一种智能体类型承担所有工作。
结语
AI 智能体的主要类型代表了不同层次的上下文能力、自主性和适应性。对于工作流自动化而言，最好的智能体未必是最复杂的那个，而是最契合任务不确定性、风险和预期结果的那个。像 Kimi AI Agent 这样的工具展示了这些理念正在成为日常工作流界面：用户描述一个目标，智能体便协助将其转化为研究、文件、网站、幻灯片、电子表格、代码等成品。