让AI自己干活：打造本地智能体实战
前两课我们已搭建好本地模型与私有知识库，但它仍是个「你问才答」的被动工具。今天，我们赋予它「手脚」——让它能自主查资料、调用工具、连续执行任务。这就是 Agent，AI 从「会对话」迈向「会执行」的关键突破。 AI 每日一课 | 第 23 期（第三阶段·动手实践） 回顾本阶段进展：#21 在本地运行大模型，#22 接入个人文档。但至今，它仍是「问答机器」——你问才答，答完即止，毫无主动能力。
今天，我们要实现最关键的一跃：将它从「会聊天的模型」升级为「能办事的 Agent」。第 14 期我们讲过 Agent 原理，今天在本地亲手实现。
先明确概念：普通聊天模型本质是「输入一段话 → 输出一段话」，一问一答即止。
Agent（智能体）则多出三要素：会用工具、会循环、会自主决策。
打个比方：聊天模型像电话里的顾问，懂很多，但事事需你亲力亲为；Agent 则像能进你办公室、翻文件、打电话、跑腿的助理——你只给目标，它自行推进。
举例：你问「查今天北京天气，超30度就提醒带伞」：
· 聊天模型：回复「无法获取实时天气」，结束。
· Agent：自动调用天气接口 → 判断温度是否超30 → 决定是否提醒 → 输出结果。
区别清晰了吗？Agent 能自主调工具、取结果、再决策下一步。
Agent 的核心是 ReAct 循环：「Reason（推理）+ Act（行动）」，即「边想边做」。
循环流程：
1. 想（Reason）：当前任务下一步该做什么？
2. 做（Act）：调用工具（查天气、搜网页、计算等）。
3. 看（Observe）：获取工具返回结果。
4. 再想：任务完成？未完成则规划下一步。
此「想→做→看→再想」循环持续运行，直至任务完成——这才是 Agent 能持续工作的秘密，非一次性响应，而是动态决策。
我们的 Kiro（帮你写代码的 AI）就是典型 Agent：你让它「修复 bug」，它会读文件、跑测试、看报错、改代码、再测试，循环直至解决。
好消息：本地搭建 Agent 已有便捷工具，提供两条路径：
路径一：Ollama + 支持工具调用的模型
关键：并非所有模型都支持工具调用。需选用支持 function calling 的模型，如 qwen2.5、llama3.1。
搭配 Agent 框架（如 LangChain 或轻量工具），注册工具后，模型即可在 ReAct 循环中调用。需少量编码，适合深度玩家。
路径二：n8n / Dify（可视化，零代码）
若不想写代码，可用 Dify 或 n8n：
· 图形化拖拽，将「本地模型」「工具」「知识库」像积木般连接
· 可直接接入上一课搭建的本地知识库
· 配置完成后，即获得能查资料、调工具、跑流程的完整 Agent
对多数人而言，Dify 最实用：本地部署、界面友好，无缝对接 #22 的知识库。
Agent 的能力，取决于你赋予它的工具。常见工具包括：
· 搜索工具：查网页、获取实时信息（弥补模型知识滞后）
· 知识库工具：接入你的私人文档（即上一课的 RAG）
· 代码执行工具：运行 Python、处理数据
· 文件工具：读写本地文件
· 自定义 API：封装你的服务供其调用
工具越丰富，Agent 能力越强。但需谨慎授予文件读写、代码执行权限，尤其自动运行时——这是安全红线（回顾第 20 期对齐与安全）。
Agent 是今年 AI 应用最热门方向，也是「AI 真正替你干活」的核心。
理解 Agent，你就懂了市面上所有「AI 助手」「AI 员工」的本质：模型 + 工具 + ReAct 循环。
我们打造的 Camus 平台，本质也是 Agent 体系：本地模型负责思考，各类 Skill 是其工具，policy.md 规范其行为。你搭建的本地 Agent，与我们所做，本质相同，仅规模差异。
从被动问答到主动执行，跨越这一步，你对 AI 的想象将彻底重塑。
今日要点：
1. Agent = 模型 + 工具 + 自主循环：比聊天多出「会用工具、会循环、会决策」。
2. 核心是 ReAct 循环：想 → 做 → 看 → 再想，反复决策直至完成。
3. 选对模型：必须支持 function calling，如 qwen2.5、llama3.1。
4. 两条路径：LangChain（编码深入）或 Dify/n8n（可视化零代码）。
5. 工具决定能力：搜索、知识库、代码执行、文件、自定义 API，注意权限安全。
金句：聊天模型给你答案，Agent 帮你拿到结果。前者是顾问，后者是助理。AI 的真正生产力，始于学会使用工具。
下期预告：第三阶段收官。#24 我们整合本地模型、知识库与 Agent，打造一个完整的「私人 AI 工作台」，让它真正融入你的日常。下期见。