大模型能聊天，这件事大家已经不新鲜了。但真正让人兴奋的是另一件事：让模型自己去"干活"——查资料、写代码、订机票、跑一整套流程，中间不需要人一步步喂指令。这类"会自己做事"的系统，就是我们常说的 AI Agent（智能体）。
这个专栏想做一件事：把 AI Agent 讲得让外行也能听懂。不堆术语、不抄论文，尽量用生活里的比喻，把每个概念背后的"为什么"说清楚。
这个专栏适合谁
- 会用 ChatGPT / Claude，但好奇它们"背后"是怎么运作的人
- 想动手做点小工具、但被一堆新名词（ReAct、MCP、RAG、多智能体）劝退的开发者
- 产品、运营岗位，想搞懂 Agent 到底能干什么、边界在哪的人
不需要你懂机器学习的数学，会看代码是加分项、但不是门槛。
目录
这个专栏按"先理解、再动手、后落地"的顺序编排，建议从上到下读：
什么是 AI Agent——从"会聊天"到"会做事" Agent 和聊天机器人到底差在哪？一个最朴素的定义，帮你建立直觉。
Agent 的大脑与四肢——拆解核心组成 模型、规划、记忆、工具、调度——一个 Agent 由哪几块拼成。
ReAct——让模型"边想边做"的经典循环 "思考 → 行动 → 观察"的循环，是几乎所有 Agent 的运转核心。
工具调用与 Function Calling——Agent 如何"动手" 模型本身只会输出文字，它是怎么真的去查天气、发邮件的？
MCP 协议——给 Agent 装上"USB-C"接口 一个正在成为行业标准的协议，让 Agent 接入各种工具不再靠"手搓"。
Agent 的记忆系统——短期、长期与 RAG 模型记不住太长的对话，Agent 是怎么"记住"东西并查资料的。
多智能体协作——什么时候需要"一群 Agent" 一个 Agent 不够用时怎么办？以及一个反常识的忠告。
让 Agent 上生产——评测、可靠性与护栏 Demo 跑通很容易，凌晨三点还稳定运行很难。这一篇讲工程现实。
一句话预告
如果只能记住一句话，我希望是这句：
Agent 不是更聪明的聊天机器人，而是给模型套上了一个"循环 + 工具 + 记忆"的外壳，让它能自己走完一件事。
带着这句话，我们从第一篇开始。
本专栏为持续更新的系列，内容基于 2026 年的公开资料与工程实践整理，尽量保持通俗。若发现表述不准之处，欢迎指正。