什么是 AI 应用：模型、工具与工作流

先给出答案

AI 应用是把 AI 能力用于具体需求的软件或系统。模型提供部分能力，应用负责把资料、交互、工具和结果管理连接起来。用户能否上传文件、搜索网页或保存产物，取决于应用提供了什么，不只是用了哪个模型。

本篇聚焦大语言模型应用，不把这一结构推广为所有 AI 系统的唯一形式。

假设你要把一份学习笔记制作成文章草稿。

Simon Willison 在关于智能体定义的文章中采用“大语言模型通过循环调用工具实现目标”的定义。本系列借用这一工程视角，但其他语境中的“智能体”可能有不同含义。

这五个概念描述的是同一件事的不同层面，不是互相替代的选型。一个应用里可以同时有模型、工具和固定工作流；只有在需要根据反馈动态选择下一步时，才涉及智能体。把它们混为一谈，容易把应用提供的功能误当成模型天然具备的能力。

一个应用只把你输入的文字交给模型，另一个还检索相关资料、执行计算并返回结果。即使底层模型相同，它们能使用的信息和采取的行动也不同。

可以把差别拆成三层：模型决定它能生成什么，应用决定它能看到什么、能做什么，人决定最终是否采用。前两层常被合在一起谈，于是“换个更好的模型”看起来像万能解法；实际上，资料没有接进来、工具没有获得授权，换模型也解决不了。

因此，比较应用时不能只看回答是否流畅。还要检查：资料是否真的读到，引用能否追溯，结果能否导出，以及失败时有没有清楚提示。

如果任务步骤明确，例如按固定格式整理十条笔记，简单对话或固定流程可能足够。让系统自行探索更多步骤，会增加执行时间、成本和不可预测性，不必把它作为默认升级方向。

判断是否需要智能体，可以先问：下一步做什么是否事先就能确定？如果能确定，固定工作流更省事，也更容易检查；只有在步骤依赖反馈、无法事先写死时，让系统自行选择下一步才有意义。这是工程选择，不是能力高低的标志。

无论是不是智能体，公开发布和修改重要数据都需要明确权限。模型输出“我已保存”，不是保存成功的证据；应该检查实际文件或操作回执。

同一个模型，为什么在不同产品里差别很大？下面按任务环节对照，看每一环分别由谁负责。

环节	模型能做的	应用负责的	使用者要检查的
理解需求	根据输入组织内容	提供操作入口与指令	要求是否写清楚
获取资料	只能依据拿到的内容	读取文件、检索资料	资料是否真的读到
执行动作	生成结果，不能凭空操作	调用工具、保存产物	操作是否有回执
控制权限	不判断授权边界	设定可执行范围	发布与改数据前人工确认
交付结果	输出草稿或建议	管理产物与导出	结果能否导出、能否追溯

这张表说明，模型只是其中一个部件。应用的价值在于把资料、交互、工具和流程组织成可交付结果的系统，而不是把一切都交给模型。任务层面的做法，见如何完成第一个可验收的 AI 任务。

区分这些术语的实际意义，是定位问题出在哪一层：是模型理解有偏差，还是应用没有提供资料，还是工具没有获得执行权限。修法不同，不能都归为“模型不行”。若问题出在资料是否进入本次生成，可以继续阅读什么是 AI 上下文：提示词、记忆与知识库。

不是。模型只提供部分能力，应用负责把资料、交互、工具和结果管理连接起来。用户能否上传文件、搜索网页或保存产物，取决于应用提供了什么，而不只是用了哪个模型。

因为不同应用交给你使用的信息和可采取的行动不同。一个只把你输入的文字交给模型，另一个还会检索资料、执行计算并返回结果；即使底层模型相同，能用的信息和能做的动作也不一样。

当任务步骤明确、可以事先写死时，简单对话或固定流程可能就足够。让系统自行探索更多步骤会增加执行时间、成本和不可预测性，不必把它作为默认升级方向。

不算。模型输出“我已保存”，不是保存成功的证据；应该检查实际文件或操作回执。无论是不是智能体，公开发布和修改重要数据都需要明确权限。

接下来用如何完成第一个可验收的 AI 任务，建立自己的验收方法。