001｜Agent 不是只会聊天：企业 Agent 的 6 种入口形态
很多人对 Agent 的理解停留在聊天机器人+工具调用。但企业里真正值钱的 Agent，入口往往不是对话。
核心结论：Agent 的本质是能感知环境、做决策、执行动作、达成目标的自主系统。对话只是其中最显眼的一种输入输出方式。
一、常见的误解
一聊到 Agent，很多人脑海里出现的是这个画面：
用户 → 聊天窗口 → Agent → 调用工具 → 回复用户
这个理解没错，但太窄了。
如果只会这个画面，你会漏掉一大批企业里真正值钱的 Agent 场景。
二、Agent 的本质是什么？
Agent = 目标 + 感知 + 决策 + 行动 + 反馈
| 模块 | 含义 | 例子 |
|---|---|---|
| 目标 | 要解决什么任务 | 审批贷款、监控服务器、生成报告 |
| 感知 | 从哪获取信息 | 用户输入、数据库、传感器、事件、文件 |
| 决策 | 用什么推理 | LLM、规则引擎、运筹优化、强化学习 |
| 行动 | 能做什么 | 改数据库、调 API、发通知、自动修复 |
| 反馈 | 怎么判断对错 | 测试通过、人工复核、业务指标 |
对话只是感知和行动的一种方式，不是唯一方式。
三、企业里 Agent 的 6 种入口形态
1. 对话入口
你最常见的，客服、助手、知识库问答。
特点：用户用自然语言交互，体验最直观。
例子：智能客服、销售助手、内部知识库问答。
关键点：不是对话本身值钱，而是对话背后能调用工具、访问业务数据。
2. API / 服务入口
用户根本不跟 Agent 聊天，业务系统直接调用 Agent 的 API。
典型例子：信贷审批 Agent
# 用户在网页填完申请表，点击提交
result = credit_agent.evaluate(application_id="APP-2024001")
# 返回结构化结果
{
"decision": "approve",
"amount": 200000,
"rate": 6.5,
"reason": "信用良好，收入稳定"
}
用户看到的是什么？
您的贷款申请已通过，额度 20 万，年化利率 6.5%。
没有聊天，没有对话。Agent 藏在后台服务里。
为什么不用对话？
因为填表 + 秒批比聊天效率高 100 倍。
3. 文件入口
用户上传一个文件，Agent 自动处理。
| 场景 | 文件类型 | Agent 做什么 |
|---|---|---|
| 合同审查 | PDF/Word | 找风险条款、给出修改建议 |
| 简历筛选 | 提取信息、匹配岗位、打分 | |
| 病历分析 | 影像+病历 | 辅助诊断 |
| 内容审核 | 视频/图片/文本 | 判断是否违规 |
关键点：LLM 负责理解非结构化内容，传统代码做不到或做得很难看。
4. 事件入口
由系统事件触发，自动执行，不需要人参与。
典型例子：监控自愈 Agent
服务器 CPU > 90%
→ Agent 查日志 → 判断是内存泄漏还是流量突增
→ 如果是内存泄漏，自动重启服务
→ 如果是流量突增，自动扩容
→ 通知运维
整个过程中运维人员只是被通知，Agent 自己做完了。
其他例子：
- 反欺诈系统发现异常交易 → 自动冻结 → 通知风控
- 电商定价系统每天凌晨 → 自动更新价格
- 代码 PR 提交 → 自动 Review → 自动评论
5. 工作流入口
Agent 嵌入到已有的业务流程里，作为流程中的一个节点。
典型例子：企业审批流程
员工提交报销单
→ 系统自动 OCR 识别发票
→ LLM 判断报销内容是否符合政策
→ 符合则自动通过
→ 存疑则转人工复核
这种 Agent 不聊天，它只是流程里负责推理判断的那个节点。
6. 传感器 / 数据流入口
Agent 持续监听数据流，实时决策。
| 场景 | 感知来源 | 行动 |
|---|---|---|
| 自动驾驶 | 摄像头、雷达、GPS | 控制车辆 |
| 工业设备预测性维护 | 温度、振动传感器 | 提前预警、安排维修 |
| 智能电网 | 用电量、发电量实时数据 | 动态调度 |
| 推荐系统 | 用户实时行为流 | 实时推荐内容/商品 |
这种 Agent 对实时性要求最高，通常不是 LLM 做全部决策，而是 LLM + 传统模型结合。
四、对话入口和非对话入口的本质区别
| 维度 | 对话入口 | 非对话入口 |
|---|---|---|
| 用户交互 | 自然语言聊天 | 无直接交互 |
| 触发方式 | 用户主动发起 | 系统自动/事件触发 |
| 响应形态 | 自然语言回复 | 结构化结果/API 调用 |
| 典型场景 | 客服、助手、知识库 | 审批、监控、自动化、推荐 |
| 价值核心 | 降低使用门槛 | 提升自动化程度 |
| 工程重点 | 多轮对话、意图理解 | 稳定性、可靠性、可解释性 |
五、为什么企业不爱做对话入口？
很多关键业务场景，对话反而是最不方便的入口：
- 效率低：员工不想每次打开聊天框描述需求
- 不稳定：LLM 理解可能出错，影响关键业务
- 难追责：审批错了谁负责？API 调用有明确日志
- 难集成：对话系统要嵌入现有系统，不如直接调 API
- 用户习惯：办贷款填表单就够了，不需要聊天
所以企业里的 LLM often 是藏在后台服务里的，不是前台聊天机器人。
六、面试时怎么表达这个观点？
如果你去面试 Agent 开发岗位，可以这样说：
Agent 不只是对话系统。企业里真正值钱的 Agent 形态很多，包括 API 服务、文件处理、事件响应、工作流节点、实时数据流决策等。我的理解是：LLM 是企业里新型的"推理引擎"，对话只是其中一种交互方式。设计 Agent 时，首先要确定的是入口形态和人机协作边界，而不是一上来就想 prompt。
七、一句话总结
对话是 Agent 最常见的入口，但不是最值钱的入口。企业 Agent 的竞争力，往往在于能不能把 LLM 的推理能力，无缝嵌入到业务流程中。
下一步可以读
- 002｜设计一个 Agent 的六要素：从需求到系统架构（已更新）
- 003｜RAG 到底在做什么：从向量检索到 Agent 知识库（已更新）