AI vs Generative AI vs Agents

很多人把 AI、生成式 AI 和 AI Agent 挂在嘴边，但实际上在技术链路上的位置完全不同。如果搞不清这几者的边界，在设计 AI 工作流时很容易陷入“用大模型解决所有问题”的误区。

我把这几个概念的实测差异拆解了一下：

• AI（人工智能）： 这是最顶层的那个大圈。它不一定是生成内容的，比如早期的垃圾邮件过滤、人脸识别、金融反欺诈，它们只做判断和分类，根本不产生新文本。
• Generative AI（生成式 AI）： 这是 AI 的一个子集。核心在于“创造”。不管是 Claude 写代码还是 Midjourney 画图，它本质上是在做概率预测并输出内容。但它有个致命弱点：被动。你不问，它不动；你问完了，它就结束了。
• AI Agents（AI 智能体）： 这才开始进入实战阶段。Agent = LLM + 记忆 + 工具调用 + 规划。它不再是简单的对话框，而是能执行任务的实体。比如你让它分析 GitHub 仓库并提交 PR，它得先读代码 → 定位问题 → 修改 → 提交，这一套链路是它自己驱动的。
• Agentic AI（代理式 AI）： 这个概念比 Agent 更进了一步。如果说 Agent 是在执行一个具体任务（Task），那么 Agentic AI 追求的是目标（Goal）。比如你给它的目标是“把客服工单量降低 30%”，它会自己分析数据、更新文档、优化机器人回复并循环迭代，直到目标达成。

简单对比一下它们的实操逻辑：

• AI： 输入数据 → 输出判断（对/错，是/否）。
• Generative AI： 输入 Prompt → 输出内容（文本/图像）。
• AI Agents： 输入任务 → 规划步骤 → 调用工具 → 完成任务。
• Agentic AI： 输入目标 → 自主规划 → 执行 → 评估 → 修正 → 达成目标。

对于开发者来说，现在的重心其实已经从单纯的提示词工程（Prompt Engineering）转移到构建 AI Agent 的工作流上了。单纯靠对话已经触碰到天花板，能让 AI 真正通过 Tool Use 介入业务流程，才是接下来的核心竞争力。