一句话的答案。
AWS 把 AI 智能体定义为一种软件程序：它与环境交互、收集数据，并用这些数据执行自主导向的任务，朝着一个预设目标推进。关键的那个词是「自主导向」：下一步由智能体自己挑 —— 所以把它放进生产环境，是一个运营问题，不是一个模型问题。
聊天机器人答错，有人读到一个错答案。智能体做错，有人收到一张错的账单、一个没解决就被关掉的工单，或者一封本不该发出去的邮件。同一项技术，后果不一样，而需要设计的正是这个后果。
智能体的四个部件。
按 AWS 的说法。任何自称智能体的产品都有这四块，只是商业名称各不相同。
基础模型
负责推理。就是那个理解请求、并决定下一步做什么的语言模型。
记忆
在多次交互、多个会话或多个任务之间保留信息。它让智能体记得自己已经试过什么。
工具
连到外部软件、API 和设备的那一层。智能体正是从这里走出文字、去动真实世界。
规划
把目标拆成更小的步骤，并按逻辑顺序排好。
AWS 描述的运行循环有三个环节：定义目标并拆成任务、找到执行这些任务需要的信息、边执行边评估进展。最后这一点 —— 评估自己的进展 —— 正是智能体难以像普通软件那样测试的原因。
把演示和生产环境分开的，是什么。
五层。它们在演示里一层都不会出现，在正式运行的第一个月里一层都不会缺席。
一条写下来的审批边界
哪些动作可以自己走、哪些必须等人。这是业务决定，不是工程决定，而且它得在一份有人签字的文档里，不能藏在代码注释里。
计算放在模型外面
评分、金额、费率和工期由有测试的代码算出来。智能体写的是数字周围的文字，它从不生产那个数字。两条路在上生产环境之前会互相对照。
每一步都留痕
智能体调了哪个工具、传了什么参数、拿回什么结果。没有这条痕迹，查一个错就变成考古，答案要几天而不是几分钟。
单次执行的成本
一个「不成功就一直重试」的智能体，在糟糕的一天里可能花掉预算的十倍。量单次执行的成本、给每类任务设上限，是运营控制，不是技术细节。
出错时的处置流程
谁被通知、多久内通知、怎么在不拖垮其他部分的前提下把这个智能体关掉、怎么把它做过的事撤回来。试点出错变成一个段子；生产环境出错，需要一个有名字的人和一个开关。
让它走出试点之前的四个问题。
四个都写不出书面答案，这个智能体就还没准备好 —— 而这个问题不会在演示里露面。
今天它能自己做出来的、代价最高的那个动作是什么？
它展示的每个数字从哪儿来，能不能一点就核对？
跑一次多少钱，每天的上限是多少？
它出错时谁被通知，多久之内能把它关掉？
关于 AI 智能体的问题。
AI 智能体是什么？
AWS 把 AI 智能体定义为一种软件程序：它能与环境交互、收集数据，并用这些数据执行自主导向的任务，以达成预先设定的目标。它和聊天机器人的区别就在这里：智能体自己决定下一步并动手，而不只是回答。
一个智能体内部有什么？
按 AWS 的描述是四块：负责推理的基础模型；在多次交互、多个会话或多个任务之间保留信息的记忆模块；把智能体接到外部软件、API 和设备上的工具集成；以及把目标拆成更小步骤并排好顺序的规划模块。
智能体和 RAG 有什么区别？
RAG 是把信息检索回来，让模型答得更好。智能体是用工具让某件事真的发生 —— 开工单、更新客户资料、发起一笔收款。几乎所有有用的智能体内部都有 RAG；反过来不成立。
智能体可以在我的业务里自己动手吗？
可以，但真正该问的是「在哪些地方可以」。我们用的规矩很简单：出错代价高的地方，动作发出去之前由人点头；可撤销又便宜的，智能体直接执行。这条界线由客户来定，白纸黑字写下来，而且是我们动工之前定的第一件事。
AWS 点名了哪些风险？
四个：数据隐私，因为智能体会处理大量信息；模型带来的有偏或不准确的结果；技术复杂度，需要专门的机器学习经验；以及算力资源的消耗。
为什么智能体的试点上不了生产环境？
因为演示是被一个想看到它跑通的人评判的，而生产环境是被十个必须依赖它的人评判的。缺的东西几乎总是同一批：没人定过谁批什么、每个数字从哪儿来、跑一次多少钱，以及智能体出错那天会发生什么。
资料来源
定义、四个部件、运行循环和文中点名的那些风险，来自 AWS 的页面，在 2026 年 8 月 9 日打开核对过。生产环境的五层和那四个问题是 Moonxi 的落地实践，文中也是按实践在讲。