AI 智能体（AI Agent）有五种经典类型：简单反射型、基于模型的反射型、基于目标型、基于效用型和学习型智能体。用大白话说，它们分别是：按规则办事、记住正在发生什么、朝着目标推进、在几个选项里挑最好的，或者从反馈中不断进步。很多文章还会再加两种，分层智能体和多智能体系统，讲的是多个智能体如何协同工作。
这篇指南会用一个日常例子和一个业务例子来解释每种类型。同时也想说明一个很实际的观点：AI 智能体在业务工作中出错时，原因通常不是规划能力弱，而是它依据的事实本身就错了。所以挑选智能体时，先问它能看到什么、被允许改动什么。它有多聪明，是第二位的。
进入教科书分类前，可以先读智能体基础，把目标、工具和结果检查连成一个完整过程。如果你更关心业务上该用哪种帮助，问题、目标与持续职责的比较能提供另一条判断线索，避免把“如何做决策”的分类误当成“该买哪类产品”。
什么是 AI 智能体？
AI 智能体是一种软件：它先观察情况，再决定做什么，然后动手去做。聊天机器人只会回答你的问题，而智能体还能接着走下一步，比如读你的收件箱、更新一张表格，或者起草一封回复。
这五种类型出自 Stuart Russell 和 Peter Norvig 合著的教材 Artificial Intelligence: A Modern Approach（中文版名为《人工智能：一种现代的方法》），这是大多数大学 AI 课程使用的教材。它们按一个问题来给智能体分类：智能体是怎么决定下一步做什么的？IBM 的 AI 智能体类型指南用的也是同一套分类。
AI 智能体并没有唯一的官方定义，这也没关系。对业务读者来说，有个简单好用的判断标准：它只会回答，还是也能动手做事？
AI 智能体的 5 种经典类型
下面按从简单到复杂的顺序介绍这五种类型。这不是排名。简单的设计往往才是对的选择，而学习能力可以加到其他四种中的任何一种上。
这五种经典类型描述的是决策方式。学习能力可以叠加到其他四种类型上，它不是阶梯的最后一级。无论哪种设计，都要检查它所用上下文的质量。
YouTube · IBM Technology
5 Types of AI Agents: Autonomous Functions & Real-World Applications · 2025年4月28日
一段 10 分钟的讲解，逐一介绍教材里的几种类型，每种都配了一幅图。8:23 处的回顾用五个动词做了总结：反应（reacts）、记忆（remembers）、瞄准目标（aims）、评估（evaluates）、改进（improves）。
1. 简单反射型智能体：按规则办事
它做什么：“如果发生这件事，就做那件事。”它只看眼前此刻的情况。
**日常例子：**温度低于 19°C 时，恒温器就打开暖气。
**业务例子：**一条收件箱规则把所有包含“invoice”（发票）字样的邮件都转给应付账款团队。
**容易出错的地方：**一切规则没预料到的情况。一封提到“invoice”的营销简报邮件也会被送到财务团队那里。规则分辨不出区别，而且每次都会犯同样的错。
**适合在什么时候用：**情况可预测，而且出错的代价很低。
2. 基于模型的反射型智能体：记住正在发生什么
**它做什么：**它仍然按规则办事，但会记住自己见过的东西。这让它对当前情况有一幅整体认识，教材里把这叫作“模型”。
**日常例子：**扫地机器人记得哪些房间已经打扫过了。
**业务例子：**一个客服助手发现某位客户上周已经报告过同一个 bug，于是把新消息追加到那张未关闭的工单里，而不是再开一张重复的工单。
**容易出错的地方：**它掌握的情况过时了。一条陈旧的 CRM 记录、一个只存在于某个 Slack 讨论串里的决定，或者上个月的表格，都会让它满怀信心地依据错误的事实行事。
**适合在什么时候用：**正确的做法取决于历史，而不只是最新的一条消息。
对业务团队来说，这是最重要的一种类型。2026 年 11 月初在 X 上广泛传播的一条帖子说明了原因。格拉斯哥大学的首席数据工程师 Gul Saeed Khattak 描述了一个被要求给出上季度收入的智能体：
X · Gul Saeed Khattak (@Ldataengineer) · 2026年11月3日
"It answers in 3 seconds. Clean number. Nice chart. But it used the wrong 'revenue' column. Nobody notices."
（译文）“它 3 秒就给出了答案。数字干净，图表漂亮。但它用错了‘收入’那一列。没有人发现。”
这个故事里的智能体并没有推理错。它是从错误的那一列出发，推理得很好。我们认同这个判断。需要提醒的是，这条帖子后面还推荐了一款特定的数据工具，我们没有测试过。业务上的教训比任何工具都简单：在信任智能体给出的答案之前，先查一查它用的是哪个数据来源。
3. 基于目标型智能体：朝着目标推进
**它做什么：**你给它一个目标，它来规划步骤。它不再问“该用哪条规则？”，而是问“怎样才能离目标更近？”
**日常例子：**导航应用规划一条路线，你错过路口时它会重新规划。
业务例子：“周四前把董事会汇报材料准备好。”智能体会拉取最新数据、沿用上季度的幻灯片版式，并列出尚待解决的问题。
**容易出错的地方：**它只检查目标有没有达成。如果两个方案都行得通，它没有理由去偏向更便宜或更稳妥的那个。
**适合在什么时候用：**你清楚想要的结果，但每次的步骤都不一样。
4. 基于效用型智能体：挑出最好的选项
**它做什么：**它会比较几个都不错的选项，按照你在意的标准给它们打分。
**日常例子：**机票搜索会在价格、飞行时长和经停次数之间权衡。
**业务例子：**一个广告助手会综合考虑每笔成交的成本、剩余预算，以及每个广告系列积累了多少数据，建议在不同广告系列之间调配预算。
**容易出错的地方：**打分的好坏取决于你的优先级。如果没人决定速度和成本哪个更重要，智能体也决定不了。
**适合在什么时候用：**存在真实的取舍，而且可接受的答案不止一个。
5. 学习型智能体：从反馈中进步
**它做什么：**它会回看自己过去行动的结果，并据此调整。这种能力可以叠加在上面四种类型中的任何一种之上。
**日常例子：**你跳过或重复播放歌曲后，音乐应用的推荐会跟着变化。
**业务例子：**销售团队标记出哪些线索最终成了真正的成交之后，线索评分助手给线索排序会排得更准。
**容易出错的地方：**反馈教它什么，它就学什么。零散或前后不一的反馈会让它自信地犯错。另外，学习需要的数据最多，花的时间也最长。
**适合在什么时候用：**工作经常重复，而且有人检查智能体到底学到了什么。
第 6 和第 7 种：分层智能体与多智能体系统
这两种描述的是多个智能体如何组织起来，而不是单个智能体如何做决定。
- **分层智能体：**一个“经理”智能体把大任务拆成几部分，再把每一部分交给另一个智能体。
- **多智能体系统：**几个智能体同时处理同一个问题，共同分担或分工完成。
**业务例子：**一次产品发布中，一个智能体调研竞争对手，一个起草发布邮件，还有一个检查落地页。
智能体越多，效果就越好吗？要看具体任务。2025 年 6 月，Anthropic 报告称，在其内部研究测试中，一组智能体的表现胜过单个智能体，但消耗的 token（AI 用量的计费单位）约为普通对话的 15 倍。Anthropic 还表示，每个智能体都需要相同上下文的任务并不适合这种方式（Anthropic）。2026 年 10 月的一篇尚未经过同行评审的研究论文发现，互相交接工作的智能体并不会核对彼此给出的事实，除非流程强制它们这么做（arXiv）。
所以结论并不是“智能体越多越好”。这和你管人用的是同一条原则：每一次交接都需要明确的输入、明确的产出，以及一个负责检查结果的人。
如今的 AI 智能体属于哪一类
这五种类型是在 ChatGPT 和 Claude 这类工具出现之前提出的。现代的 AI 智能体会混合其中好几种。它遵循你的指示（规则），读取你的文档和过往消息（记住情况），朝着你的要求规划步骤（目标），在你让它做选择时权衡选项（最佳选项），并且在你保存修正后不断改进（反馈）。
所以，如果某个供应商说自家产品是“基于目标型智能体”，这句话其实没告诉你多少信息。不如问三个朴素的问题：
- 它能读取什么？
- 它能改动什么？
- 它什么时候会停下来问人？
理解智能体类型时的常见误区
**“排在后面的类型总是更好。”**并非如此。简单规则更便宜、更快，也更容易检查。能把事情办好的最简单类型，就是该用的类型。
**“学习型智能体会自动从一切中学习。”**在大多数业务工具里，只有当有人把修正保存下来，比如更新成一条新的指示，它才会改进。如果没人保存，下一次运行又会从零开始。
**“智能体越多，能力越强。”**智能体越多，交接也越多。小错误还会不断累积：如果每一步有 95% 的概率是对的，一个十步的流程整体正确的概率只有大约 60%。
**“类型能告诉你它在我的业务里能做什么。”**类型告诉你的是它如何做决定。它能做什么，取决于它能访问什么，以及被允许改动什么。
给业务团队的更简单方法：按智能体承担的工作来分类
教材里的类型描述的是智能体如何思考。而销售负责人或运营经理通常更关心它要做什么工作。所以很多团队觉得按角色给智能体分组更容易理解。这是一种实用的思考方式，并不是官方分类。
| 角色 | 它做什么 | 你得到什么 | 仍由人来决定的事 |
|---|---|---|---|
| 监测员 | 盯着某个信息来源，标出重要的内容 | 每日提醒或摘要 | 哪些提醒需要采取行动 |
| 研究员 | 收集并比较信息 | 一份简报或候选清单 | 来源是否可靠，以及接下来怎么做 |
| 制作者 | 把输入素材变成初稿 | 一封邮件、一份报告、一套幻灯片或一个网页 | 修改后再发送或发布 |
| 操作员 | 在你的工具里直接做改动 | 更新后的记录、一条已排期的帖子 | 授予权限并批准改动 |
| 协调员 | 跨多个工具执行多步骤任务 | 一份完整的成果，交回给你审核 | 对最终结果负责 |
已经有人把整项工作交给智能体了。公司孵化工作室 Late Checkout 的 CEO Greg Isenberg 在 X 上描述了他的一周：
X · Greg Isenberg (@gregisenberg) · 2026年11月3日
"my team is 50+ people in 12 countries, but i talk to my agents more than my human teammates"
（译文）“我的团队有 50 多人，分布在 12 个国家，但我和智能体说话的次数比和人类同事还多。”
在同一条帖子里，他还列出了一个步骤：在动手构建任何东西之前，先让智能体对他的想法提出质疑。这对表格里的任何角色都是个好习惯：让智能体在开工前先问清目标。我们的看法没有他的说法那么夸张。和智能体多交流完全没问题，只要发送什么、改动什么、批准什么，仍然由人来决定。
示例：一次销售跟进，逐步拆解
下面看看这些类型如何在一项普通任务中体现出来。这是一个说明各步骤在 Okou 中如何衔接的示例，并不是客户案例。
**需求。**一次续约通话之后，客户经理写道：“回顾一下这位客户的历史，给我的团队准备一份简报，再起草一封跟进邮件。”
**1. 先核对事实（记住情况）。**智能体读取邮件往来、通话记录、CRM 记录以及这位客户的近期新闻。CRM 上写的是“续约，标准条款”。但上周的一封邮件显示，客户的财务负责人希望按季度付款。智能体采用了更新的那封邮件，并把这个不一致标记为待确认的问题。
**2. 规划工作（目标）。**它整理出简报和邮件都需要的内容：通话中承诺了什么、还有哪些事项未解决，以及客户同意的下一步。
**3. 遵循团队的偏好（最佳选项）。**客户经理之前已经说过：“给客户的邮件控制在 150 词以内，开头先写下一步。”这就解决了简短和详细之间的取舍。
**4. 只起草，不发送。**团队允许 Okou 写 Gmail 草稿，但不允许它发送（What is Okou?）。如果智能体需要它还没有的权限，就由人来批准，并选择授权持续多久。
**5. 给不同的读者用合适的格式。**内部团队拿到的是一份可以评论的文档形式的简报。客户收到的是一封简短的邮件，让下一步一目了然。
**6. 由人来审核。**客户经理改了一句关于付款的话，核对收件人，然后点击“发送”。
在 Okou 中起草的一封邮件（示例数据来自另一项任务）。注意 Draft 标签和 Send 按钮：在有人点击 Send 之前，什么都不会发出去。点击图片可查看大图。
**7. 保存下来，方便团队复用（反馈）。**这次的修正只有保存下来，下次才能派上用场。客户经理让 Okou 把这套流程保存为一个工作流：要查哪些来源、简报长什么样，以及邮件一律保留为草稿这条规则。之后，同事可以针对另一位客户运行它，用的是同事自己的邮箱和 CRM 账号，而不是创建者的（Okou for teams）。如果团队希望它在每次续约通话前自动运行，可以加一个带定时或触发条件的自动化。
大多数讲智能体类型的文章都聚焦在第 2 步，也就是规划。而在这个例子里，真正让结果有用的是第 1 步（更新的那封邮件）、第 4 步（只起草不发送）、第 5 步（合适的格式）和第 7 步（保存修正）。
业务工作的快速选择表
五种经典类型描述的是智能体如何作出决策，不是团队需要购买的五种产品清单。先从工作本身出发。
| 工作需要什么 | 最简单且有用的起点 | 扩展之前要检查什么 |
|---|---|---|
| 每次复制相同字段 | 固定的自动化规则 | 稳定的输入和明确的例外处理路径 |
| 解释已有文档 | 聊天机器人或助手 | 回答与提供的文档一致 |
| 跨工具收集材料并生成简报 | 能使用工具的智能体 | 来源、缺失事实和操作权限 |
| 重复已验证有效的团队方法 | 保存的 workflow | 最新输入和指定审核人 |
| 在特定时间启动这个方法 | 围绕该 workflow 设置的自动化 | 负责人、输出目的地，以及权限保持不变 |
| 拆分真正相互独立的调研任务 | 可能需要多个智能体 | 协调成本、重复工作，以及一位承担责任的审核人 |
增加智能体数量不是提升可靠性的捷径。先证明一项边界清晰的工作，能产出团队可以核查的成果。
如何选择合适的 AI 智能体类型
针对这项工作，回答下面几个问题：
- **你能用一句话写出规则吗？**那么一条简单规则可能就够了。
- **正确答案取决于历史吗？**那么智能体需要能访问正确的来源，而且你应该检查两个来源不一致时它会怎么做。
- **你知道想要的结果，却不知道步骤吗？**这就是基于目标型的工作：调研简报、报告、初稿。
- **存在取舍吗？**先定好你的优先级，再让智能体去执行。
- **这项工作会重复吗？**提前规划好修正如何保存，让下一次运行做得更好。
- **在不询问的情况下，它最多可以改动什么？**先从只读权限和草稿开始。逐步开放更多权限，能设时间限制的地方就设上。
当 Okou 需要一项它还没有的权限时，人可以清楚看到它请求的具体内容，并选择允许多长时间。
Okou 的定位
Okou 是面向业务团队的 AI 队友。你不需要挑选智能体类型。你只要描述工作，指明相关的文件和工具，Okou 就会收集上下文、在云端完成工作，并交回一份你可以检查的成果。
这篇指南里的三点，决定了 Okou 的工作方式：
- **先把事实弄对。**Okou 会读取任务所需的邮件、文档和记录，并对照来源核实会变化的事实。你在一次对话中做的修正会在这次对话里延续下去。如果要用另一次对话的背景信息，你需要把它指给 Okou（Chat）。
- **用合适的格式。**进度更新用一条简短消息，需要审阅的细节用一份文档，需要一群人一起过一遍建议时就用网页或幻灯片。
- **有边界的复用。**保存下来的工作流让同事能用自己的账号和权限复用同一套方法。分享工作流并不会分享任何人的收件箱或私人对话。
更多示例请参阅 20 个 AI 智能体用例：真实提示词与产出、面向团队的 AI 智能体上下文管理，以及 Okou 如何在行动前先征求同意。
常见问题
AI 智能体的 5 种类型是什么？
简单反射型智能体遵循固定规则。基于模型的反射型智能体还会记住当前情况。基于目标型智能体朝着目标规划步骤。基于效用型智能体从多个选项中挑出最好的。学习型智能体从反馈中改进。这套分类出自 Russell 和 Norvig 的 AI 教材，也是大多数课程使用的分类。
AI 中的简单反射型智能体是什么？
它只根据眼前看到的情况行动，用的是“如果这样，就那样”的规则。它没有记忆，也不做规划。恒温器就是一例。在业务中，收件箱过滤器和基础的分派规则就是这样运作的：情况可预测时很可靠，情况不可预测时很容易被蒙骗。
基于目标型和基于效用型智能体有什么区别？
基于目标型智能体只要计划能达成目标就满意了。基于效用型智能体会比较各个选项，挑出最好的那个。基于目标型智能体会订一张去芝加哥的机票。基于效用型智能体则会根据你说过看重什么，订那张在价格、时长和经停次数之间平衡得最好的机票。
多智能体系统算是一种 AI 智能体吗？
更准确地说，它是一种组织智能体的方式。几个智能体分工或共同承担一项工作，而每个智能体本身仍然可以是五种经典类型中的任何一种。智能体越多，交接也越多，而交接正是最容易漏掉检查的环节。
有没有面向业务的官方 AI 智能体类型清单？
没有。五种经典类型被广泛讲授，但业务上的分组方式各不相同。有的按部门分，有的按自主程度分，还有的按角色分，比如本指南中的监测员、研究员、制作者、操作员和协调员。任何分组都只当作规划工具来用，而不是标准。
小企业应该从哪种 AI 智能体入手？
从一项会重复、结果明确、并且在任何内容发出之前都能安全检查的工作开始，比如周报、调研简报或跟进邮件草稿。给智能体它所需内容的读取权限，发送和修改记录这两件事仍交给人来做，等它证明自己可靠之后，再逐步给它更多权限。
