AI agent 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 agent 协作。选择合适的类型有助于将 agent 与工作流匹配。本指南介绍了 AI agent 的主要类型，并以 Kimi AI Agent 为例说明 AI agent 的强大能力。
AI Agent 类型在实践中为何重要
从预测到执行
传统 AI 系统往往止步于分析或给出下一步最佳行动的建议，而 AI agent 更进一步：它们感知当前情况、选择行动、在需要时使用工具，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。理解 AI agent 的不同类型可以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。
agent 类型如何影响设计决策
agent 类型几乎影响每一项实现决策：agent 存储哪些信息、是否在行动前进行规划、如何处理不确定性、如何在多个可接受结果之间选择，以及是否通过反馈进行改进。它还会影响治理方式：简单反射型 agent 可以通过规则进行审查，而学习型或多智能体系统则需要更强的评估、日志记录和防护措施。
AI Agent 的不同类型
人工智能领域有五种经典的智能体类型：简单反射型 agent、基于模型的反射型 agent、基于目标的 agent、基于效用的 agent 以及学习型 agent。多智能体系统通常被视为一种更广泛的编排模式，因为它可以将多种 agent 类型组合成协同工作流。以下六个类别从最简单的决策逻辑，逐步过渡到最具协作性和适应性的设计。
| 类型 | 记忆 | 提前规划 | 学习 | 适用场景 |
|---|---|---|---|---|
| 简单反射型 | 否 | 否 | 否 | 范围有限的、基于规则的任务 |
| 基于模型的反射型 | 是（状态） | 否 | 否 | 部分可观察的任务 |
| 基于目标型 | 是 | 是 | 有时 | 目标明确的工作流程 |
| 基于效用 | 是 | 是 | 有时 | 涉及权衡的决策 |
| 学习型 | 是 | 因情况而异 | 是 | 反馈丰富、任务多变的场景 |
| 多智能体 | 按智能体计 | 按智能体计 | 因情况而异 | 并行、专业化工作 |
1. 简单反射型智能体
简单反射型智能体是最基础的 AI 智能体类型。它观察环境的当前状态，并根据预定义的条件-动作规则选择相应动作。它能做的只是对当前感知立即作出反应，不考虑过去的感知或未来的后果。
当环境完全可观察、正确响应也很明确时，这种设计效果不错。它反应快、行为可预测，也容易审查，但一旦上下文变得重要，问题就会显现。如果输入信息不完整，或规则没有覆盖某种新情况，智能体没有更深层的推理能力可以补救。
主要特征
基于规则的动作：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。
高可预测性：当规则和输入已知时，行为很容易测试。
灵活性低：面对模糊信息、部分信息或不断变化的条件时，智能体表现不佳。
示例
基于规则的邮件过滤器，出现关键词时自动转发消息。
基础的网站聊天机器人，针对固定意图返回脚本化的回答。
2. 基于模型的反射型智能体
基于模型的反射型智能体在简单反射型智能体的基础上做了改进，会维护一个内部的环境模型。它会跟踪相关状态，并利用该模型来解读当前输入的含义。
当智能体无法一次性看到全部情况时，这一点很有用。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，但这些规则作用于对世界更丰富的认知之上。
主要特征
内部状态：智能体存储关于环境的信息。
更好的上下文处理：过去的观察有助于解读当前输入。
适用于部分可见的场景：即使无法立即观察到全部信息，智能体也能行动。
仍存在局限：可能无法进行深度规划，也无法在众多可能的未来结果之间做优化。
示例
在触发补货前先追踪库存状态的供应链监控系统。
一个客服分级处理智能体，能记住同一工单中此前的消息。
一个导航系统，能随交通状况变化更新路线模型。
3. 目标驱动型智能体
目标驱动型智能体通过判断某个动作是否让系统更接近既定目标来选择动作。它不只是被动反应，而是搜索或规划一系列能够达成目标的动作。此外，这类智能体还能评估可能的下一步、选定方案、执行其中一部分、观察进展，并在环境变化时进行调整。这使得它比反射型设计更具主动性。
关键特征
明确目标：智能体的行动与某个目标状态或任务结果相关。
规划能力：可以在行动前比较多种动作序列。
进度跟踪：智能体可以检查自己是否在朝目标推进。
更高的算力和控制需求：规划过程可能较慢，且需要明确的停止条件。
示例
一个研究智能体，负责收集资料、提取证据并撰写报告。
一个项目自动化智能体，将请求拆解为多个任务并按顺序执行。
一个编程智能体，规划修改内容、运行测试，并反复迭代直到达到预期效果。
4. 效用驱动型智能体
效用驱动型智能体��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。当存在多个可接受的答案、相互冲突的约束，或需要在速度、成本、准确性、用户偏好和风险之间权衡时，这一点尤为重要。
举例来说，一个目标驱动型的旅行智能体只能找到从一个城市到另一个城市的路线。而一个效用驱动型的旅行智能体可以从价格、耗时、换乘风险、行李规定和航空公司偏好等方面比较不同路线。它不只问目标能否达成，还会问在既定标准下哪个选项最优。
关键特征
效用函数：智能体为可能的结果赋予价值。
权衡管理：在相互冲突的目标和约束之间进行平衡。
更优的决策质量：能够在多个有效方案中做出选择。
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
一个投资组合助手，在收益、波动性和流动性约束之间进行平衡。
一个物流规划智能体，根据配送时间、燃油成本和可靠性选择路线。
一个客服智能体，根据情绪、紧急程度和账户价值确定升级处理的优先级。
5. 学习型智能体
学习型智能体通过利用经验中的反馈，不断改进自身行为。它可以在观察到哪些做法有效、哪些无效之后，调整策略、优化模型、更新偏好或提升表现。这些学习信号可以来自监督数据、强化学习信号、人类反馈、评估结果或使用模式。
关键特征
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：相比静态规则集，能更好地应对新出现的模式。
依赖评估：良好的学习效果需要清晰的质量信号。
治理需求：团队需要监控模型漂移、意外行为和数据质量问题。
示例
一个推荐智能体，从点击、购买和明确评分中学习。
一个反欺诈智能体，能随攻击者行为变化而自我调整。
一个辅导智能体，根据学习者的错误调整讲解方式。
6. 多智能体系统
多智能体系统由多个智能体协同工作，它们可以协作、竞争、分工或各有专长。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，也可以让各智能体根据架构设计直接交互。
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、拆分大规模文档集、模拟专家评审，或在合并结果前分别运行多条工作线。设计上的难点在于协调：系统需要有分配任务、避免重复劳动、化解分歧并产出连贯最终结果的机制。
主要特征
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：任务可以分发出去，从而缩短完成时间。
协调层：系统需要具备任务分配、依赖关系跟踪和结果整合能力。
复杂度更高：评估和治理既要覆盖每个智能体本身，也要覆盖最终的综合结果。
示例
研究集群将不同的子智能体分配给不同的信息来源类别。
由多个智能体组成的软件团队，其中一个负责改代码，一个负责写测试，一个负责审查安全风险。
市场分析系统中，竞争对手、客户、定价和监管分别由独立的智能体负责。
内容生产流程中，研究、大纲、写作、编辑和事实核查智能体协同工作。
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 支持网页搜索、深度思考、多模态推理、长上下文对话以及智能体任务执行。可以把它理解为一个综合性的智能体平台：用户提出目标，Kimi 便会规划并执行相应工作，涵盖研究、内容创作、文档、幻灯片、电子表格、网站等各类工作流。
主要功能
自主任务规划：Kimi AI Agent 能将宽泛的需求拆解为一系列步骤，然后逐步推进，最终完成所需的交付物。
实时网页搜索：当任务需要依赖最新事实、信息来源或市场背景时，Kimi 可以通过网页搜索获取最新信息。
深度研究工作流：对于研究密集型任务，Kimi 可以收集、比对并整合信息，生成内容更丰富的报告以及多种格式的输出。
文档、幻灯片、表格与网站创建：Kimi 内置了针对文档、幻灯片、表格和网站的专用工作界面，让智能体的工作成果不止是纯文本，而是可直接使用的产物。
文件处理：据 Kimi 帮助中心介绍，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设有明确限制。
多模态推理：当工作流需要理解图像或文档内容时，Kimi 可以对文本、图片、图表、文档及其他上传材料进行综合推理。
Agent 集群编排：对于范围广或可并行处理的任务，K2.6 Agent Swarm [Beta] 可以协调多个子智能体，让任务的不同部分同时推进。
对于需要在各类 AI 智能体类型中做选择的用户，实际结论很简单：狭窄的自动化任务适合用反射式设计；需要规划和权衡取舍的工作流适合用基于目标或基于效用的设计；而当任务足够宽泛、能从专业分工和并行处理中受益时，则适合用多智能体设计。Kimi AI Agent 把这些理念带入了一个面向用户的工作空间，其目标不只是回答问题，而是完成真正的工作。
如何选择合适的 AI 智能体类型
从你的任务环境出发，而不是从技术标签出发。当任务范围狭窄、规则稳定、错误操作代价低时，使用简单的反射式智能体。需要状态或记忆时选择基于模型的智能体；有明确目标时选择基于目标的智能体；需要权衡多个优先级时选择基于效用的智能体。
当性能需要随反馈不断提升，且你能定义可靠的质量信号时，使用学习型智能体。当工作流天然可以拆分为并行工作线、专家角色或独立视角时，使用多智能体系统。如果你需要同时具备这些能力，就有意识地组合使用，而不是强行让一种智能体类型承担全部工作。
结语
主要的 AI 智能体类型代表了不同层级的上下文处理能力、自主性和适应能力。就工作流自动化而言，最好的智能体不一定是最复杂的那个，而是与任务的不确定性、风险和预期结果相匹配的那个。像 Kimi AI Agent 这样的工具展示了这些理念正在如何变为日常工作流界面：用户描述一个目标，智能体便帮助将其转化为研究、文件、网站、幻灯片、电子表格、代码或其他成品工作。