很多人第一次做智能体，是把对话模型塞进一个循环里加几个工具，然后发现它要么不用工具、要么乱调一通，最后还不如直接问。问题往往不在模型，而在没分清这两类东西各自负责什么。这篇给一套对照维度，帮你想清楚手上的任务该用普通对话、还是值得上智能体，以及上了之后先盯哪些环节。
很多人第一次做智能体，是把对话模型塞进一个循环里、再挂几个工具，结果发现它要么不调用工具，要么一通乱调，最后还不如直接把问题丢给对话框。问题往往不在模型本身，而在于没分清这两类东西各自该负责什么。先想清楚手上的任务到底该用普通对话、还是值得上智能体，比急着写循环重要得多。
这篇给一套对照维度：先看能力边界差在哪，再看什么任务根本不该上智能体，最后给真要做的人一个起步顺序和自查清单。全程只讲判断标准和动作，不承诺效果，具体数字一律去站内页面核对当时的数值。
先记住一句话：一个是答题，一个是办事
普通对话模型的形态很单纯：给它一段输入，它出一段输出，这一轮结束任务就结束，中间不改变任何外部状态。智能体则是在模型外面套了一层循环加工具，模型只负责决定下一步做什么，真正动手的环节由代码去执行，执行结果再喂回模型，直到它认为可以收尾。
- 普通对话模型：一次问答交付，输出即终点，不碰你的文件、不发请求、不改系统状态
- 智能体：模型负责决策，代码负责动手，循环多轮直到完成或触到上限
- 判断窍门：这件事如果拆成一次问答就能交付，大概率不需要智能体
- 反过来也一样：任务需要人反复追问、逐步收窄，用对话模型配好提示词更省事，也更好控
能力对照表：从能不能到敢不敢
下面这张表按四个维度对照，重点不是谁更厉害，而是各自的短板在哪、代价由谁承担。看完对照表再回到自己的任务，判断会清楚很多。
| 维度 | 普通对话模型 | 智能体 |
|---|---|---|
| 输入来源 | 只吃你给的内容 | 能自己去查资料、读文件、调接口补信息 |
| 多步执行 | 一轮结束，不会自己重来 | 能拆任务、中途改计划、失败后重试 |
| 状态与记忆 | 靠你把上下文塞进去 | 把中间结果存到外部，跨回合能接上 |
| 成本与风险 | 一次调用的花费，出错面小 | 每步都是一次调用，重试也进账单，动手环节越多出错面越大 |
注意最后一行：智能体的成本不是固定的，它跟你给的工具数量、循环上限、失败重试策略直接相关。想知道不同模型和工具调用当前的计价口径，到 /price-watch 看价格追踪，再去 /models 核对具体模型资料，别拿记忆里的数字做预算。
什么情况下普通对话模型就够了，别硬上智能体
新手最常见的浪费，是把本来一次问答就能搞定的事硬做成智能体，结果多了循环、多了失败分支，交付反而不稳定。以下几类任务，先老老实实用对话模型或脚本，性价比高得多。
- 文案、翻译、总结、解释概念这类一次性产出，加工具只是添乱
- 流程固定、规则明确的活，写死脚本比让模型现场决策稳定得多
- 对结果确定性要求高的场景（对账、批处理、格式转换），模型只用它做其中模糊的那一小段
- 任务依赖大量人工追问、逐步收窄需求的对话式场景，提示词配好比循环好用
不适用的情况也要说清：如果任务开始出现「看情况」「先查一下再说」这种分叉，说明单轮问答已经兜不住，该考虑加工具了。但也不必一步跳到全自动，先做成半自动、每步人工确认，是更稳的过渡。
什么任务值得上智能体：三个信号
判断要不要上智能体，不用纠结概念，看任务本身有没有下面这三个信号。命中两个以上，再考虑投入；只命中一个，先做半自动版本验证一下。
- 信号一：信息要现查
- 答案不在模型参数里，比如读你本地文档、查系统当前状态、拉最新接口返回
- 信号二：步骤数不固定
- 做几步取决于中间结果，写不成一条直线脚本，需要中途判断再决定下一步
- 信号三：要对环境产生动作
- 发消息、改文件、提交工单，而不只是给建议，模型只出主意不落地就不算智能体
反例提醒：步骤固定但很长，并不代表要用智能体。长流程写成脚本照样更可控、更好查。只有当「下一步做什么需要根据中间结果现场判断」时，循环和工具才真正有价值。
真要做，先按这个顺序搭，别一上来做全自动
决定要做之后，最容易犯的错是一上来就做全自动、工具给一大把、没有终止条件。按下面四步走，每步都能验证，出问题也知道停在哪。
- 先列工具清单把任务需要的工具一个个写出来，明确每个工具的输入输出和失败返回，宁可少而准，先给三五个，别一次塞十几个
- 先跑单轮加人工确认每轮执行前让人看一眼模型选的工具和参数，重点看它选得对不对、参数填得准不准，这一步能暴露大部分问题
- 加失败处理和上限设置最多几步、最多几次重试、超了怎么办，防止任务没完成就不停循环、空转烧额度
- 留全量日志把每次调用的入参出参记下来，包括被拒绝和被重试的，出问题才有得查，不然只能看着最终结果猜
怎么选：一张自查清单
把上面的判断收成一张清单，动手前逐条过一遍。任何一条答案偏向「不需要」，就先把简单方案做扎实，再考虑升级。
| 自查问题 | 选是 | 选否 |
|---|---|---|
| 答案是否依赖外部实时信息 | 倾向智能体 | 倾向对话模型 |
| 步骤是否固定可枚举 | 倾向脚本或对话模型 | 可以考虑智能体 |
| 模型选错一步的代价大不大 | 先半自动，人工兜底 | 可逐步放开 |
| 预算是否敏感 | 先用对话模型验证提示词 | 再评估加循环和工具 |
最后两条别忽略：模型和工具的价格随时会变，动手前到 /price-watch 和 /models 核对当时的数字，再决定用哪档模型跑循环。如果你打算接第三方中转，先去 /tools/speed-test 做一次连通与响应检测，确认可用再谈成本。
新手最容易踩的四个坑
这几个坑跟模型好坏关系不大，主要是搭法的问题，提前知道能省很多排查时间。
- 工具给太多：一次塞十几个工具，模型反而挑花眼、乱调，先给三五个最必要的
- 没有终止条件：任务没完成就无限循环，必须设步数上限和超时，超了就交人工
- 拿对话模型的评测结论推智能体效果：单轮答得好，不代表会规划多步、会用工具
- 不记录过程：只留最终结果，出问题只能靠猜，排查成本翻倍
先问这件事一次问答能不能交付，能就别上循环；不能，再问下一步是不是得看中间结果决定。下一步拿你手上正在纠结的那个任务，对着 /guides 里的智能体起步指南和自查清单过一遍，再决定用对话模型还是上智能体，别凭感觉选型。→
常见问题
智能体会比普通对话模型更聪明吗？
不一定。底层往往是同一类模型，差别在于智能体外面多了一层循环和工具，能查资料、能动手。单轮推理质量未必更高，只是可做的事更多，代价是调用次数和出错机会一起变多。
我的任务要不要上智能体，有没有快速判断办法？
先问两件事：答案是否需要现查，步骤是否写不成固定脚本。两个都答是，才值得考虑智能体；只要有一个否，先用对话模型配合提示词验证需求，往往更省事。
做智能体是不是必须换更强的模型？
不是必须，但工具调用和长链路规划对模型要求更高。可以先用现有模型跑通流程，看它在选工具、填参数上错在哪，再决定是换模型还是把工具定义改得更清楚。
智能体成本和对话模型差多少？
没有固定倍数，取决于一次任务调用几次模型、失败重试多少。同样一个问题，对话模型一次调用，智能体可能十几次。具体单价去 看，再按你自己的调用次数估算。
对话模型加个知识库算智能体吗？
一般不算。检索增强是给对话模型补材料，模型仍然只回答一次。加了多步判断、失败重试、对外部系统动手，才更接近智能体的形态。
