Agent为何存在

完成“任务”的模式，随着AI时代的降临和发展在飞速演进。最初的模式是，靠程序员古法编程纯手搓。

这篇文章我想从不同的维度来梳理下“工作执行范式”。也就是，梳理一下一个目标从提出到完成的过程中，任务如何被理解、拆解、调度、执行、反馈和负责不同方式。

Agency：行动主体

负责任务进度的推进

在传统的软件开发中，完成任务主要依赖的是：

将开发过程编排为支持重复、协作、治理的流程。

工作流将规则的“单点确定性”提升到了“过程确定性“。

人的流程设计能力：负责编排和治理
- 定义开发过程中的阶段、顺序、分支、准入条件和退出标准。
- 判断哪些环节需要自动化，哪些环节需要人工审批、Review 或决策。
- 在异常、冲突和高风险节点上进行判断、协调和兜底。
工作流的过程编排能力：负责串联、协调和治理
- 将需求、开发、测试、Review、构建、部署等环节组织成稳定链路。
- 明确每个阶段的进入条件、执行顺序、责任人和流转规则。
- 保证整个开发过程能够可重复、可协作、可追踪地推进。

LLM Assistant / Copilot的核心变化是： LLM 开始进入开发过程中的认知与生成环节，但任务的控制权仍然掌握在人手里。它增强的是人的局部能力，而不是接管任务推进。

人的任务主导能力：负责判断和推进
- 人仍然负责理解目标、拆解问题、决定下一步和判断结果是否可用。
- 人选择何时让 AI 介入、采纳哪些建议、如何修改、整合和验证结果。
- 在代码质量、架构取舍、业务正确性上，人仍然承担最终判断。
AI Assistant / Copilot 的局部辅助能力：负责生成、解释和补全
- 根据人的指令或当前上下文，辅助补全代码、生成函数、解释报错、补充测试或改写文档。
- 在局部环节降低认知成本、表达成本和编码成本。
- 但它不掌控完整开发流程，只是在人的控制下辅助完成某一步。

Agent 的核心变化在于：LLM 不再只是辅助局部环节，而是开始掌控任务推进过程。它会分析全局、制定路径、调用工具、根据反馈调整节点，从而持续推动任务完成。

全局理解能力：负责看清当前任务状态
- 理解用户目标、项目结构、已有代码、相关文档和上下文约束。
- 判断当前任务处在什么阶段，哪些信息已经明确，哪些信息还缺失。
- 不再只处理单个问题，而是把任务放进完整开发上下文中理解。
任务规划能力：负责拆解路径和安排节点
- 将目标拆解为多个可执行步骤。
- 判断步骤之间的先后关系、依赖关系和完成条件。
- 决定当前应该先读代码、查资料、改实现、补测试，还是验证结果。
工具调度能力：负责把决策转化为行动
- 根据当前需要选择合适工具，例如读取文件、编辑代码、运行命令、搜索文档、调用 API。
- 控制每个节点的执行方式，而不是只给人建议。
- 把“想法”转化为对环境的实际操作。
反馈迭代能力：负责根据结果调整过程
- 观察工具返回的结果，例如测试失败、命令报错、代码冲突或信息不足。
- 判断当前路径是否有效，是否需要修改方案、回退、补充信息或继续推进。
- 通过多轮执行和修正，让任务形成闭环。

这意味着软件开发中的智能不再只存在于人的头脑中，也不再只是被固化在规则和工作流里，而是开始进入执行过程本身。LLM 第一次有机会承担部分“开发主体”的角色，从辅助人写代码，走向自主推进任务。