AI Agent 与 Chatbot 的本质区别（以及该在何时使用哪一个）
一个只会回应，另一个能主动行动。教你精确分辨二者的区别，并为每个场景选对工具。
AI Agent 与聊天机器人：本质区别（以及各自的适用场景）
聊天机器人是一种对话程序，用于响应用户输入——它接收一条消息，返回一个答案，通常不会在现实世界中采取任何行动。AI agent 是一种自主系统，通过感知环境、制定计划、使用工具执行多步骤操作，并在循环中观察结果来追求一个目标——它不只是回复，而是在行动。核心区别在于：聊天机器人负责响应；AI agent 负责运作。
聊天机器人处理一条消息并返回一个响应。AI agent 则通过感知、计划、行动和观察不断循环，直到目标完成为止。
精确定义
什么是聊天机器人？
聊天机器人是一种旨在模拟与人类用户对话的软件，通常通过文字或语音进行。它接收一个输入——一个问题、一条命令、一个菜单选择——并返回一个输出：一个答案、一条建议、一个后续问题。传统的基于规则的聊天机器人将关键词与预先写好的回复相匹配。现代的大语言模型（LLM）聊天机器人能够生成流畅、符合语境的文本，但其底层模型本质上仍然是被动的：它处理输入并产生输出。循环到此为止。
聊天机器人可以非常复杂精密。标准聊天界面中的 GPT-4o、处理退货的客服小部件，或是 SaaS 产品上的对话式 FAQ 系统——这些都是聊天机器人。它们在回答问题、引导用户完成流程以及大规模提供信息方面表现出色。但它们不会替你订机票、跑代码或发邮件。它们只会告诉你怎么做。
聊天机器人的关键特征：
- 被动响应：等待用户输入，然后作出响应。
- 单轮或多轮对话：维持对话上下文，但每次响应都是一个终点，而不是通向某个目标的一步。
- 默认不使用外部工具：模型生成文本；它不会自行调用外部 API、写文件或运行代码。
- 对话之间无状态（除非显式赋予记忆）：每个会话通常都是从头开始。
- 快速且确定：针对低延迟进行了优化；结果是可预测的。
什么是 AI agent？
AI agent 是一种通过 感知 → 计划 → 行动 → 观察 循环自主追求目标的系统。它接收一个高层目标（"研究这个主题并总结关键发现"、"在这个代码库中找到 bug 并发起一个 pull request"、"在 11 月订一张去柏林最便宜的机票"），然后自行决定如何完成它——将目标拆解为若干步骤，调用外部工具（网络搜索、代码执行、API、文件系统、浏览器），观察每个操作的结果，并不断迭代，直到任务完成，或它判断自己无法继续为止。
AI agent 的决定性特质是能动性（agency）：它自行决定接下来该做什么，而不是被逐步告知。这需要一个规划层（通常是 LLM 本身，在草稿区中进行推理）、一个工具使用层（函数调用、API 集成）以及一个状态/记忆层（追踪已完成的工作和剩余的工作）。
AI agent 的关键特征：
- 自主：基于目标而非仅仅是提示来发起行动。
- 多步骤：将任务分解为顺序或并行的操作。
- 配备工具：能够浏览网页、运行代码、查询数据库、调用 API、读写文件、控制软件。
- 有状态：在一个任务的各个步骤之间维持上下文，并且越来越多地能跨任务维持上下文。
- 面向目标：成功与否由任务完成情况来定义，而不是由生成了一个响应来定义。
- 自适应：观察先前操作的结果，并相应调整下一步。
IBM 在其关于 AI agents 的概述中，将其描述为利用 AI 自主规划和执行任务、做出决策以实现目标的系统——这一定义将它们与纯对话式系统区分开来。
核心区别详解
1. 自主性
聊天机器人的自主性局限于对话本身：它决定接下来说什么话。AI agent 的自主性延伸到现实世界：它决定接下来做什么事。一个 agent 可以搜索网页、编写并执行代码、填写表单、发送消息，或启动一个子 agent——这一切都无需在任务运行期间获得额外的人类提示。自主性并非非此即彼的开关，而是一个光谱：一个系统在不需要人类在每一步进行确认的情况下能走多远，它就有多"智能体化（agentic）"。
2. 工具使用
聊天机器人在默认形式下生成文本。AI agent 则通过工具来行动。当你把同一个任务分别交给两者时，这种区别就具体体现出来了：
- 聊天机器人："东京的天气怎么样？" → 基于训练数据生成一段文本回复（可能过时，也可能是错的）。
- AI agent："东京的天气怎么样？" → 调用天气 API，获取实时数据，返回一个附带来源的当前准确答案。
这看起来可能只是一个小升级，但其架构上的影响是深远的。一旦 agent 能够调用工具，它就能影响外部系统——更新数据库、创建日历事件、将代码部署到生产环境。这种能力所需要的治理方式、安全约束和监控手段，与纯文本生成系统截然不同。
3. 记忆与状态
大多数聊天机器人将对话保存在上下文窗口中，会话结束后便会遗忘。AI agent 则维持多层状态：
- 工作记忆：当前任务的上下文内草稿区（已执行了哪些步骤、观察到了哪些输出）。
- 情景记忆：过去任务及其结果的记录，可用于指导未来的行为。
- 外部存储：agent 读写的数据库或向量存储，用于在任何单一上下文窗口之外持久化信息。
正是这种持久性，使得 agent 能够从先前的运行中学习、在更长的时间跨度上进行协调，并且运作方式更接近于一个软件进程，而不是一次聊天机器人会话。
4. 面向目标 vs 面向响应
聊天机器人被优化为对下一条消息给出一个好答案。AI agent 被优化为完成一个目标。这是一个微妙但重要的架构差异。聊天机器人的目标函数本质上是"对这个输入产生一个有帮助的响应"。agent 的目标函数则是"高效且正确地完成这个目标"。如果某条路径能可靠地完成任务，agent 会进行五个次优的对话轮次；而聊天机器人则会生成五句精雕细琢的句子然后停下。
5. 错误处理与迭代
当聊天机器人给出错误答案时，需要人类来纠正，然后聊天机器人再次尝试。而当 AI agent 在任务执行过程中遇到错误时——API 调用失败、页面加载不出来、代码片段抛出异常——agent 可以检测到这个失败、诊断原因、调整计划并重试，全程无需人工介入。正是这种自我纠正的循环，使得 agent 适合处理长时间运行的现实世界任务。
对比表：AI Agent vs 聊天机器人
| 维度 | 聊天机器人 | AI Agent |
|---|---|---|
| 主要功能 | 响应消息 | 完成目标 |
| 交互模型 | 被动式（输入 → 输出） | 自主式（感知 → 计划 → 行动 → 观察） |
| 工具使用 | 默认很少 / 从不使用 | 核心能力 |
| 多步骤执行 | 否 | 是 |
| 记忆 | 仅上下文窗口 | 多层次（工作记忆、情景记忆、外部记忆） |
| 错误恢复 | 由人类重新提示 | 在任务内自我纠正 |
| 延迟 | 低（单次推理） | 较高（多次调用，工具往返） |
| 每次查询成本 | 低 | 较高（多次 LLM 调用 + 工具调用） |
| 最适合场景 | 问答、引导、对话 | 研究、自动化、复杂工作流 |
| 副作用 | 默认没有 | 可以采取现实世界的行动 |
| 治理复杂度 | 较低 | 较高（行动需要护栏） |
真实示例
聊天机器人示例
客服小部件：用户问"我该如何重置密码？"聊天机器人匹配到该意图，返回四步重置流程，然后关闭工单。它不会访问用户的账户、触发重置邮件，或验证账户是否存在。
标准聊天中的 GPT-4o：你让它解释一个概念、从概念上调试一段代码，或起草一封邮件。它会生成高质量的文本。除非启用了插件或工具使用，否则它并不会真正发送邮件或运行代码。
带 LLM 后端的 IVR / 语音助手："你们的营业时间是几点？"系统匹配该问题并朗读营业时间。虽然复杂，但本质上仍然是一台响应机器。
应用内产品助手：许多 SaaS 产品内嵌了聊天机器人，可以通过检索文档来回答"我该如何在这个产品中做 X？"这类问题。它只是回答——它不会代替你在产品中执行该操作。
AI Agent 示例
研究型 agent：你给 agent 一个主题——"总结 2026 年项目管理软件的竞争格局。" agent 将其拆解为若干子任务：搜索竞争对手、访问它们的定价页面、阅读近期新闻、比较功能、综合成一份报告。每一步都会调用工具（网络搜索、浏览器抓取、摘要生成），循环持续进行直到报告完成。
软件工程 agent：你描述一个 bug。agent 阅读代码库，找出根本原因，编写修复方案，运行测试套件，观察到有两个测试现在失败了，修改修复方案，重新运行测试，然后发起一个 pull request。全程无需逐步指示。
数据管道 agent：给出"拉取上个月的销售数据，清洗数据，生成图表，并发送给市场团队"这样的指令，agent 会查询数据库、运行清洗脚本、调用图表库，并通过 SMTP 发送邮件。这个任务涉及四个不同的系统；聊天机器人做不到。
浏览器自动化 agent：agent 导航到一个旅行网站，搜索符合你条件的航班，比较各个选项，填写预订表单，并向你展示确认信息——或者如果需要你的信用卡号才能继续，就会提示你。
关于 agent 如何在各类组织中被部署的更深入探讨，请参阅 企业中的 AI agent：真实用例与实施方式。
重叠地带：当聊天机器人拥有聊天界面时
聊天机器人与 agent 之间的边界在实践中正变得越来越模糊，值得精确地厘清重叠所在。
**Agent 可以拥有对话式界面。**例如 Happycapy，它接受一个自然语言目标——你像发消息一样输入它——但底层运行的是一个自主的 agent 循环，而不是单轮响应。聊天界面只是输入机制；之后发生的是 agent 执行。有一个文本框存在，并不意味着这东西就是聊天机器人。
**聊天机器人在获得插件后可以调用工具。**启用了浏览功能的 ChatGPT，或带有函数调用功能的自定义 GPT，正在做一些类似 agent 的事情：它在响应之前检索外部数据。但大多数启用了插件的聊天机器人仍然止步于"响应"——它们不会自主循环去完成一个多步骤的目标。系统能够串联工具调用、在运行过程中调整计划、以及在没有逐步人工确认的情况下运作的程度，决定了它在这个光谱上更靠近 agent 一端的程度。
这个光谱：一端是纯粹基于规则的聊天机器人（关键词 → 罐头回复）。另一端是一个完全自主的 agent，运行数小时，进行数十次工具调用，全程无人干预。大多数实际产品都处于两者之间的某个位置。
关于"智能体化（agentic）"行为是如何被定义和衡量的更多内容，请参阅 Agentic AI vs AI agents：区别是什么？ 和 Agentic AI vs 生成式 AI。
决策指南：你需要哪一种？
从你的任务实际需要什么出发。如果它需要行动，而不仅仅是回答，那么你需要一个 agent。
在以下情况选择聊天机器人：
- 任务主要是信息性的：回答问题、解释概念、总结已提供的内容。
- 你需要低成本下的高吞吐量：聊天机器人每次查询速度快、成本低。
- 交互是对话式且边界明确的：客户支持、入职引导流程、FAQ 分流、产品指引。
- 你需要确定性、可审计的响应，且不产生外部副作用。
- 延迟至关重要：用户期望亚秒级的响应。
- 采取错误行动的风险高于给出不完整答案的风险。
在以下情况选择 AI agent：
- 任务需要采取行动：预订、提交、发送、执行、修改。
- 工作跨越多个相互依赖结果的步骤。
- 你需要在一个工作流中集成多个工具或数据源。
- 目标由一个结果来定义（"生成一份竞争分析"），而不是由一个响应来定义（"告诉我关于竞争对手的信息"）。
- 你希望系统能够处理错误并自适应，而无需持续的人工监督。
- 你正在自动化一个目前需要人类在多个应用程序之间切换的流程。
混合方案：带对话检查点的 agent
一种日益增长的模式是受监督的 agent（supervised agent）：它能处理自主的多步骤执行，但会在关键决策点暂停，请求人工确认——在采取不可逆操作之前（发送邮件、进行购买、删除数据），或在置信度较低时。这样既能获得智能体自动化的能力，又能在关键之处保有人类把关的安全性。Happycapy 的沙箱模型正是以这种方式运作：你用自然语言启动一个任务，agent 自主执行，而你可以在任务中途进行检查或重新引导。
成本与复杂度考量
Agent 并非总是正确的选择。它们每个任务的成本更高（多次 LLM 推理调用加上工具往返），执行耗时更长，并且会引入新的失败模式（工具选择错误、级联错误、幻觉出的 URL）。对于每天处理 10 万次查询的简单 FAQ 机器人来说，agent 级别的开销是一种浪费。而对于一个目前需要人类花费四个小时、使用五种不同工具才能完成的复杂工作流，一个能在两分钟内完成它的 agent，其成本会立刻得到回报。
一个有用的经验法则是：如果一个称职的人类可以凭记忆回答一个问题就完成任务，那就用聊天机器人。如果完成任务需要人类打开若干个应用程序、做出若干个决策，并采取若干项现实世界中的行动，那就用 agent。
注意事项与细微差别
**"AI agent" 一词被宽泛地使用。**许多以"AI agent"为卖点的产品，本质上只是加装了一两个工具调用的聊天机器人。真正的智能体化行为需要自主的多步骤规划、错误恢复和有状态执行——而不仅仅是在响应之前查一下天气的能力。
**聊天机器人可以做得非常复杂精密。**一个具备访问大型内部知识库能力、拥有订单状态查询工具、并配有精心设计的系统提示词的检索增强生成（RAG）聊天机器人，可以处理企业支持案例中的很大一部分。不要低估一个精心构建的聊天机器人在对话领域内所能做到的事情。
**安全与治理要求有所不同。**由于 agent 采取的行动会在现实世界中产生后果，它们需要聊天机器人所不需要的护栏：不可逆操作前的确认步骤、工具调用的速率限制、沙箱化的执行环境、每一项操作的审计日志。构建一个生产级 agent，需要把它更多地当作软件基础设施来对待，而不是聊天机器人的配置项。
**LLM 二者皆是。**底层模型（GPT-4、Claude、Gemini）无论是驱动聊天机器人还是 agent，都是同一个。区别在于周边系统：应用层围绕模型添加的提示词架构、工具集成、状态管理和循环控制。
常见问题
问：ChatGPT 是聊天机器人还是 AI agent？ 答：在标准界面中，ChatGPT 是一个聊天机器人——它响应消息。启用了 Code Interpreter 和浏览工具后，它会表现出有限的智能体化行为（它可以执行代码、搜索网页），但它不会在没有用户在每一轮进行引导的情况下自主运行多步骤循环。由操作者配置了大量函数调用的自定义 GPT，可能会趋近于类 agent 的行为，但 ChatGPT 的日常使用绝大多数仍然牢牢属于聊天机器人的范畴。
问：AI agent 能取代聊天机器人用于客户支持吗？ 答：对于大多数客户支持用例，你可能更想要一个配备了少量工具集成（订单查询、账户状态）的复杂聊天机器人，而不是一个完全自主的 agent。当任务需要复杂的多步骤执行时，agent 才是最佳选择。客户支持主要是关于回答问题和执行简单、边界明确的操作——这是聊天机器人擅长的领域。对于像"研究这位客户所有未结工单，找出规律，并为所有工单起草一份统一的解决方案提议"这样的复杂服务请求，agent 就变得相关起来。
问：什么造就了"智能体化（agentic）"？ 答：自主性、工具使用、多步骤执行以及面向目标。一个系统能够在不需要人类在每一步都进行输入的情况下，向着一个目标运行得越远，它就越"智能体化"。参见 Agentic AI vs AI agents 以详细了解这一光谱。
问：AI agent 总是需要 LLM 吗？ 答：不需要——经典的软件 agent（基于规则的、强化学习的、符号 AI 的）比 LLM 早了几十年就已存在。但现代 AI agent 几乎总是使用 LLM 作为推理和规划的核心，并借助工具调用 API 来实现行动。正是 LLM 使得用自然语言指定目标、灵活生成计划变得切实可行。
问：运行一个 AI agent 与一个聊天机器人相比，成本高多少？ 答：明显更高。一次典型的聊天机器人交互，其推理成本只是几分钱的零头。而一个 agent 任务可能涉及五到五十次 LLM 调用，加上外部 API 调用，会使成本上升一到两个数量级。当 agent 所替代的是大量的人类劳动时，这是可以接受的，但这会改变高流量、简单查询场景下的经济账。
问：语音助手（Siri、Alexa）是聊天机器人还是 agent？ 答：主要是聊天机器人，带有少量狭窄的智能体化操作。它们以对话方式响应，并能够执行特定的、预定义好的操作（播放音乐、设置计时器、控制智能家居设备）。它们并未表现出针对开放式目标的自主多步骤规划。能力更强的版本正在逐渐接近 agent，但其架构本质上仍以被动响应为主。
问：我能在聊天机器人 API 之上构建一个 agent 吗？ 答：可以——大多数 LLM API 都支持函数/工具调用，这正是 agent 系统的基础。你需要自己构建规划循环、状态管理和工具集成（或使用一个 agent 框架），而 LLM API 提供推理核心。聊天机器人 API 就成为了 agent 架构内部的一个组件。
问：与聊天机器人相比，AI agent 最大的风险是什么？ 答：意外的现实世界操作。一个给出错误答案的聊天机器人，可以在下一条消息中被纠正。而一个在任务执行到一半时做出错误决策的 agent，可能已经发送了邮件、删除了文件，或完成了一笔购买。这种不可逆性，正是需要确认关卡、沙箱化执行以及全面审计追踪的原因——而这些是聊天机器人根本不需要的。
问：我应该在 AI agent 平台中寻找什么？ 答：安全的沙箱化执行环境（使工具操作无法逃逸出受控环境）、广泛的模型支持（不锁定于单一 LLM）、真实的工具集成（浏览器、代码运行器、API）、可观测性（日志、追踪、逐步检查），以及对人在回路（human-in-the-loop）检查点的支持。这些能力，正是区分一个真正的 agent 平台与一个带了几个插件的聊天机器人的关键所在。
亲自体验这种区别
要从直觉上理解这种区别，最快的方法就是把同一个任务分别交给一个聊天机器人和一个 AI agent，然后观察会发生什么。
让一个聊天机器人"研究 Notion 排名前五的竞争对手，查看它们当前的定价，并制作一份对比表格。"它会基于训练数据生成一个听起来合理的表格——其中一些条目会过时，一些会是编造的。聊天机器人无法验证自己生成的内容，因为它实际上无法访问那些网站。
把同样的任务交给一个运行在实时环境中的 AI agent。它会打开一个浏览器，导航到每个竞争对手的定价页面，读取当前的数字，记下日期，并根据它刚刚检索到的真实数据组装出一份表格。当某个页面需要登录时，它会标记出来。当某个价格自训练以来发生了变化时，它会捕获当前的数字。
生成一个响应和完成一个目标之间的这道鸿沟——正是 Happycapy 立身之本。Happycapy 在一个安全的云端沙箱中运行真正的 agent 循环：浏览器控制、代码执行、150 多个模型，以及真实的工具集成，全部都可以通过一个自然语言界面访问。它不是一个聊天机器人的外壳。你给它一个目标；它去行动。
聊天机器人能变成 AI Agent 吗？实践中的光谱
简短的答案是：聊天机器人可以通过获得更多能力，逐渐向类 agent 行为演进——但到了某个点，架构的改变会大到让"聊天机器人"这个称呼变得具有误导性。理解这条升级路径，有助于厘清真正的区别所在。
**第一阶段——纯聊天机器人。**一个基于规则的小部件，将关键词与罐头回复相匹配。零自主性，零工具，除当前会话外零记忆。快速、廉价、确定。
**第二阶段——由 LLM 驱动的聊天机器人。**同样的对话模式，但由一个大语言模型驱动，能生成流畅、符合语境的响应。仍然是被动的。仍然是单轮终点。当今大多数"由 AI 驱动"的客服机器人和产品助手都处于这个阶段。
**第三阶段——带工具的聊天机器人。**LLM 可以在响应之前调用一两个外部函数——查询订单状态、检索知识文章、查看账户余额。响应仍然是目标；工具调用只是一种补充。启用了浏览功能的 ChatGPT 大体上处于这个阶段。
**第四阶段——受监督的 agent。**系统可以串联多次工具调用，在多轮之间维持任务状态，并在返回给用户之前追求一个子目标。人类仍然对关键决策保有把关权，但系统已不再是纯粹被动的了。智能体化行为已经出现。
**第五阶段——自主 agent。**系统接收一个开放式目标，将其拆解为一个动态计划，跨多个系统执行数十次工具调用，在运行过程中从错误中恢复，并交付一个已完成的结果——全程无需逐步的人工引导。这正是 Happycapy 在你启动一个任务时所运行的东西：一个完整的感知-计划-行动-观察循环，运行在一个安全的云端沙箱内，而不是一个带了几个额外步骤的聊天机器人。
实际的启示是：在评估一个以"AI agent"为卖点的产品时，要问它是否真正朝着一个目标运行多步骤循环，还是只是触发一次工具调用然后返回一个响应。前者是 agent；后者是一个经过强化的聊天机器人。2025 到 2026 年间的许多产品其实处于第三阶段，却称自己是智能体化的。
关于"智能体化"这个标签究竟适用于何处的更深入探讨，请参阅 Agentic AI vs AI agents：区别是什么？ 和 Agentic AI vs 生成式 AI。
实践中的聊天机器人 vs AI Agent：客户支持场景对比
客户支持是观察这种区别最清晰的领域，因为这两种工具在这里都被大量部署，对比也十分具体。
场景：一位客户发邮件说自己因同一笔订单被重复扣款。
| 步骤 | 聊天机器人的处理方式 | AI agent 的处理方式 |
|---|---|---|
| 1. 理解问题 | 识别出"账单纠纷"意图；返回一段"我们正在处理中"的脚本化回复。 | 解析邮件内容，识别出订单 ID 和重复扣款金额。 |
| 2. 调查 | 无法访问订单系统；将问题升级，或要求客户联系账单部门。 | 查询订单数据库，检索两笔扣款记录，确认重复扣款属实。 |
| 3. 交叉核对 | 不适用——没有工具访问权限。 | 检查退款政策规则，验证客户账户状态良好，确定正确的退款金额。 |
| 4. 采取行动 | 返回一条附带客服电话号码的消息。 | 通过支付 API 发起退款，在 CRM 中记录处理结果，更新工单状态。 |
| 5. 确认 | 请客户在问题未解决时再次跟进。 | 向客户发送一条确认消息，说明退款金额和预计处理时间。 |
聊天机器人处理了对话。Agent 解决了问题。对于简单直接的 FAQ 和引导式流程，聊天机器人更快、更便宜。而对于需要读取内部系统、应用业务逻辑、并采取具有实际后果的行动的任务，agent 所做的正是一位人类客服本来要做的工作。
这正是 如今 AI agent 在企业运营中的部署方式 的核心：它并非要取代所有聊天机器人交互，而是为那些需要判断力、集成能力和行动力的任务提供合适的工具。
AI Agent vs 聊天机器人：更多问题
问：AI agent 和聊天机器人之间的区别是什么？ 答：聊天机器人接收一条消息并返回一个响应——它的工作在回复完成时就结束了。AI agent 接收一个目标并采取行动去实现它，循环经历感知、规划、工具使用和观察，直到任务完成。最简单的一句话概括：聊天机器人负责响应；AI agent 负责行动。结构上的区别在于这个循环——agent 会持续运行，调用工具并调整计划，直到目标达成为止。聊天机器人不会循环；它只回复一次，然后等待。
问：ChatGPT 是 AI agent 还是聊天机器人？ 答：在标准使用中，ChatGPT 是一个聊天机器人——它接收一条消息并产生一个响应。当操作者配置的工具（如 Code Interpreter、网络浏览或自定义函数调用）被启用时，它会在单轮之内表现出有限的智能体化行为。但这个系统不会在没有用户在每一轮进行引导的情况下，自主地朝着一个开放式目标串联多步骤工具调用。ChatGPT 的日常使用——以及几乎所有面向消费者的部署——都牢牢属于聊天机器人模式的行为。一个真正智能体化的系统会接收你的目标，自行规划步骤，执行它们，在运行过程中处理错误，并返回一个已完成的结果，而不是一段对话式的响应。
问：聊天机器人能成为 AI agent 吗？ 答：只有当它获得了完整的智能体化能力栈时才行：自主的多步骤规划、真实的工具执行（而不仅仅是在响应前的检索）、跨步骤的有状态记忆，以及面向目标的循环控制。给聊天机器人添加一两次工具调用，只会让它成为一个能力更强的聊天机器人，而不是一个 agent。当一个系统能够接收一个开放式目标，并在没有逐步人工提示的情况下持续运行——直到该目标达成，或它判断自己无法继续为止——这种架构上的转变，而非任何单一功能，才是使 AI agent 与聊天机器人真正不同的地方。
