不止一种，而且并不是都必须连接 AI 大模型 API。

你可以把“智能体”先理解成一句人话：

能感知输入、按规则或能力做判断、再去执行动作的系统。

所以，智能体的核心不只是“大模型”，而是这三件事：

1. 输入

用户说话、表单、文件、邮件、图片、数据库数据、系统事件。

2. 判断

决定下一步做什么。
这个判断可以来自：

• 固定规则

• 工作流分支

• 传统机器学习

• 大语言模型

• 多者混合

3. 执行

发消息、查库、生成文档、调用接口、审批、下单、写代码、整理报表。

---

一、按能力底层来分：常见 5 种方案

1. 纯规则型智能体

这类最简单，本质上不是“会思考”，而是“按条件办事”。

典型做法

• if else

• 关键词触发

• 表单条件判断

• 固定流程分支

• RPA 自动化

• BPM 审批流

例子

• 用户提交请假单，天数大于 3 天就走主管审批

• 收到“开发票”关键词，自动回复模板

• 订单超 24 小时未支付，自动取消

优点

• 稳定

• 可控

• 成本低

• 适合企业正式流程

缺点

• 不灵活

• 变化一多就很难维护

• 不会“理解语义”

是否必须接大模型 API

不必须。完全可以不接。

---

2. 工作流型智能体

这类比纯规则更进一步，是把多个节点串起来。

典型做法

• 开始节点

• 条件判断

• 调接口

• 查数据库

• 发通知

• 循环处理

• 人工确认

• 结束节点

常见平台

• Coze

• Dify

• n8n

• Make

• Zapier

• 飞书多维表格自动化

• 企业内部工作流平台

例子

“筛简历智能体”：

1. 收到简历

2. 提取姓名、学历、年限

3. 对照岗位要求

4. 给出初筛结果

5. 发到 HR 群

6. 记录到表格

优点

• 容易看懂

• 容易排错

• 适合业务流程落地

缺点

• 一旦流程特别复杂，会很长很乱

• 灵活性还是有限

是否必须接大模型 API

不必须。
如果只是规则判断、字段映射、系统搬运，完全可以不接。
但如果要“理解简历内容”“总结邮件”“改写话术”，通常就要接大模型。

---

3. 大模型驱动型智能体

这才是大家最常说的“AI 智能体”。

核心思路

把用户的问题交给大模型，让它：

• 理解意图

• 拆解任务

• 生成步骤

• 选择工具

• 执行动作

• 汇总结果

例子

用户说：
“帮我把这 30 份简历按岗位匹配度打分，并总结每个人的优势和风险。”

如果没有大模型，规则会写得很痛苦。
但有大模型，它可以直接理解自然语言，再调用工具完成。

优点

• 灵活

• 自然语言交互体验好

• 处理非结构化信息很强

• 适合复杂任务

缺点

• 成本更高

• 结果可能不稳定

• 有幻觉风险

• 对提示词、上下文、工具设计要求高

是否必须接大模型 API

这种方案本身就依赖大模型，所以通常必须接。

但这里有一个细分：

方案 A：接云端 API

比如：

• OpenAI

• Anthropic

• Gemini

• 通义千问

• DeepSeek

• 豆包

• Kimi 等

方案 B：本地部署模型

比如：

• Qwen 本地版

• Llama 本地版

• DeepSeek 开源版

• 其他开源模型

这种情况下，不一定是外部 API，也可以是你自己本地或公司内部部署的模型服务。

所以更准确地说，不是必须接“外部 API”，但通常需要接“某种模型能力接口”。

---

4. 检索增强型智能体（RAG）

这类是现在企业里非常常见的一类。

核心逻辑

不是让模型直接“凭空回答”，而是：

1. 先去知识库找资料

2. 再把找到的资料喂给模型

3. 最后让模型基于资料回答

例子

• 企业制度问答

• 售后知识库客服

• 合同条款检索

• 设备维修问答

• 项目文档助手

优点

• 更贴近企业真实资料

• 幻觉更少

• 可追溯

• 更适合私有知识场景

缺点

• 知识库质量很关键

• 检索不准时，回答也会歪

• 架构比单纯聊天复杂

是否必须接大模型 API

检索本身不一定需要。
但如果要把检索内容整理成人话回答，通常还是需要大模型。

不过也有一种弱化版：

• 只做“文档搜索 + 原文返回”

• 不让模型总结

这种就可以不接大模型，只做搜索系统。

---

5. 混合型智能体

这是企业最实用的一种，也是最推荐的一种。

核心思想

不是把一切都交给大模型，而是：

• 确定性的部分交给规则和流程

• 需要理解和生成的部分交给大模型

• 高风险决策交给人

例子：合同审核助手

1. 上传合同

2. 规则引擎先检查必填项

3. 知识库查标准条款

4. 大模型总结风险点

5. 人工最终确认

优点

• 成本更合理

• 风险更低

• 企业更敢用

• 落地效果通常最好

是否必须接大模型 API

不一定。
看你混合里有没有“语义理解/生成”这一步。
有，就要接。
没有，就不需要。

---

二、按部署方式来分：又可以分成 4 种

1. 零代码/低代码平台搭建

适合业务人员、产品经理、运营、初学者。

常见特点

• 拖拉拽

• 配置节点

• 接插件

• 接知识库

• 接审批流

适合谁

• 想快速验证

• 想先跑通 MVP

• 不想一上来就写代码

是否必须接大模型 API

看场景。
很多平台本身就要你配置模型，尤其是 AI 节点。
但如果只是自动化流程，也可能不用。

---

2. 代码开发型

开发人员自己搭。

常见技术栈

• Python

• Node.js

• Java

• PHP

• Go

常见框架

• LangChain

• LangGraph

• AutoGen

• CrewAI

• Semantic Kernel

• 自研 Agent 框架

优点

• 自由度高

• 可深度定制

• 适合复杂系统集成

缺点

• 开发门槛高

• 维护成本高

是否必须接大模型 API

仍然不一定。
你也可以写一个“规则+接口编排”的智能体，不接大模型。
只是如果你要自然语言能力，基本就会接。

---

3. 本地私有化部署型

适合对数据安全要求很高的企业。

特点

• 模型部署在内网

• 数据不出企业

• 可接内部系统

• 可控性高

场景

• 政企

• 金融

• 医疗

• 法务

• 涉密研发

是否必须接大模型 API

不必须接外部 API。
但大多还是会有“内部模型服务接口”。

---

4. 人机协同型

这类最符合现实。

思路

智能体不是完全替人，而是先干 80%，最后 20% 交给人。

例子

• AI 先写邮件草稿，人来确认发送

• AI 先筛简历，人来决定是否面试

• AI 先做经营分析，人来拍板

是否必须接大模型 API

不一定。
如果只是流程辅助，不需要。
如果涉及理解、总结、写作，通常需要。

---

三、是不是所有智能体都必须连接 AI 大模型 API？

结论

不是。

更准确地说：

1. 纯自动化智能体，不需要

比如：

• 审批流

• 定时任务

• 规则分发

• 数据同步

• 表单流转

• 条件触发通知

这些都可以完全不接大模型。

2. 要“理解人话”的，通常需要

比如：

• 自然语言问答

• 总结文档

• 写邮件

• 分析简历

• 改写话术

• 从模糊描述中提取需求

这些一般需要大模型。

3. 不一定要外部 API，也可以本地模型

所以关键不是“API”这三个字，而是：

你是否需要模型能力。

如果需要，可以有三条路：

• 接外部大模型 API

• 接第三方平台代理模型

• 接你自己本地部署的模型服务

---

四、你可以这样理解：智能体 ≠ 大模型

很多人把这两个东西混了。

大模型是什么

像一个很聪明的“大脑”。

它擅长：

• 理解语言

• 生成文字

• 推理

• 总结

• 改写

• 分类

但它自己不天然会：

• 登录你公司系统

• 调内部接口

• 审批流程

• 操作 ERP

• 发 OA 消息

智能体是什么

像“会调度大脑、工具、流程、记忆、执行器”的系统。

所以：

大模型是能力部件，智能体是调度系统。

有的智能体里有大模型。
有的智能体里没有大模型。
有的智能体里既有规则，又有模型，又有人审批。

---

五、企业里最常见的 6 类落地方案

1. 客服问答智能体

常见配置：

• 知识库

• 检索

• 大模型

• 人工转接

通常需要模型。

2. 办公自动化智能体

常见配置：

• 表单

• 审批

• 通知

• 数据同步

不一定需要模型。

3. 报表分析智能体

常见配置：

• 数据库

• SQL

• 图表

• 模型总结

纯报表拉数不一定要模型；
但要“用人话解释经营数据”，通常要模型。

4. 内容生成智能体

常见配置：

• 提示词模板

• 素材库

• 大模型

• 审核发布

这类通常需要模型。

5. 研发助手智能体

常见配置：

• 代码仓库

• 文档

• Issue

• 模型

• 工具调用

通常需要模型。

6. 决策辅助智能体

常见配置：

• 数据源

• 规则校验

• 模型分析

• 人工终审

多数是混合型。

---

六、如果你是普通企业，最实用的选择是什么

我给你一个非常接地气的建议：

第一阶段：先别追求“全自动智能体”

先做：

• 固定流程自动化

• 报表自动整理

• 文档自动汇总

• 知识库问答

• 简单审批辅助

这是最容易见效的。

第二阶段：再引入大模型

把最耗脑子的环节接进去，比如：

• 总结

• 分类

• 写作

• 解释

• 归纳

• 初步分析

第三阶段：最后再做真正的多步骤 Agent

比如：

• 自动接任务

• 自动拆解

• 自动调用多个工具

• 自动回写结果

• 自动通知相关人

这样风险最低，ROI 通常也最高。

---

七、给你一个一句话判断公式

你只要问自己一句：

这个场景，难点到底是“执行流程”，还是“理解内容”？

如果难点是执行流程

优先：

• 规则

• 工作流

• RPA

• 接口编排

不一定要大模型。

如果难点是理解内容

优先：

• 大模型

• 知识库

• 检索增强

• 模型+流程混合

大概率要接模型能力。

---

八、最后给你一个最短答案

搭智能体至少有这几种：规则型、工作流型、大模型驱动型、知识库检索型、混合型。

并不是都必须连接 AI 大模型 API。
只有当你需要它具备“理解自然语言、总结、生成、推理”这些能力时，才通常需要接模型。
而且也不一定非得接外部 API，也可以接本地部署模型。