并非所有 Agent 都长一样。从"简单反射"到"多智能体协作"，Agent 按复杂度分多个层级，每个层级构建在前一层之上。本笔记梳理微软官方分类的 7 种类型，以及"何时该用、何时不该用"。

七种 Agent 类型

以"旅行预订智能体"为贯穿示例：

类型	做什么	旅行示例
Simple Reflex（简单反射）	遵循硬编码规则，无记忆、无规划	看到投诉邮件 → 直接转客服
Model-Based Reflex（基于模型反射）	维护内部世界模型并随变化更新	追踪历史机票价，标记突然涨价的航线
Goal-Based（基于目标）	有目标并逐步规划达成	从当前位置出发，一次订完机票+租车+酒店
Utility-Based（基于效用）	不只要"一个解"，要"最优解"，权衡取舍	平衡价格 vs 便利，选最符合偏好的行程
Learning（学习型）	从反馈中持续改进	根据行程后评分调整未来推荐
Hierarchical（分层型）	高层 Agent 拆解任务并委派给下层	"取消行程"拆为：取消机票/酒店/租车，各交子 Agent
Multi-Agent Systems（多智能体）	多个独立 Agent 协作或竞争	协作：酒店/机票/娱乐各一个 Agent；竞争：多个 Agent 抢最优房价

何时该用 AI Agent

Agent 在以下场景最能发挥价值：

1. 开放式问题：解决步骤无法预先写死，需要 LLM 动态摸索路径
2. 多步骤流程：任务需跨多轮调用工具，而非一次性查/生成
3. 随时间改进：希望系统根据用户反馈或环境信号越变越聪明

何时不该用

"能造 Agent 不代表应该造 Agent。"

• 单步、确定性任务（直接查一次数据库就有答案）→ 普通 API 即可
• 高度受监管、容错率极低的场景 → 需严格人工把关
• 简单的规则分支 → 传统代码更可靠、更快、更省钱

判断原则：Agent 的价值在于"动态决策"。如果流程是固定不变的，用工作流/代码；只有流程需要模型现场判断时，才值得引入 Agent。

关键取舍

维度	简单 Agent	复杂多 Agent
复杂度	低，单个循环	高，需编排与通信
可解释性	较易跟踪	较难（多 Agent 决策链长）
成本	低	高（多次 LLM 调用）
适用	单任务、明确步骤	复杂协作、并行子任务

一句话总结

Agent 七类从简单反射层层递进到多智能体；判断铁律是"流程固定用工作流、需要现场动态决策才上 Agent"，能造不等于应该造。

关联概念

• 相关：[AI-Agent-概述与核心组成](/学习笔记/AI技术/AI Agent/AI-Agent-概述与核心组成)、[AI-Agent-主流框架对比](/学习笔记/AI技术/AI Agent/AI-Agent-主流框架对比)
• 延伸：多 Agent 系统与 [AI-Agent-学习路径与资源](/学习笔记/AI技术/AI Agent/AI-Agent-学习路径与资源) 中的"多 Agent 协作"章节