市面上的 Agent 产品名越来越多——ChatGPT、Manus、Claude Code、Coze、Dify、AutoGen、LangGraph、CrewAI，光看名字很难判断它们之间的差异。同名"Agent"，背后却是不同的工程目标和落地形态。与其按品牌或厂商划分，不如按"自主程度"分出一条更稳定的线索。
好像都叫 Agent，但如果只按产品名计很快就会乱；更好的方式是按自主程度分。
一、为什么不能只看产品名
"Agent"这个词在 2024 年后被严重泛化。一类是把过去的 Chatbot 改个名字，另一类是把 LangGraph 这种工作流引擎包装成"智能体平台"，还有一些是把多 Agent 框架叫做"协作平台"。它们的能力边界、运维成本、对数据权限的要求天差地别，但产品名都叫 Agent。
引入"自主程度"这个维度后，混乱立刻清晰起来。所谓自主程度，指 Agent 独立决策与行动的能力，从被动响应到主动协作是一条连续光谱。它比"是否叫 Agent"更稳定，比"是否使用了大模型"更具体，比"是否接入了工具"更贴近工程现实。
对比两个场景就能看出差异：
• 场景 A：让 ChatGPT 把一段英文翻译成中文，再总结一篇 PDF。问题明确，只需一次性回答。
• 场景 B：让 Claude Code 修一个 Bug。拿到报错后，模型要自己读源码、定位、改文件、跑测试；测试失败就继续迭代。
两个场景都用了"AI"，但 A 场景下模型只响应一次，B 场景下模型要进入真实环境持续推进。这正是自主程度差异最直观的表现。
二、五层 Agent 分类详解
按自主程度从低到高，可以把市面上常见的 Agent 形态分成五层。
第 1 层：对话辅助型 Agent
这是最基础的一类，模式是"用户发起、模型响应"。Agent 不主动拆解任务，不决定下一步，只在单轮或多轮交互中提供高质量回答或生成。
代表产品：ChatGPT、文心一言、Plot 等通用对话产品。
典型场景：翻译一句话、解释一段代码、写一封邮件、总结一篇文档。问题边界清晰，输出形式固定，不需要 Agent 主动介入流程。
你问它答……它能帮你写、总结、解释，但不会主动拆任务，不会自己决定下一步该干什么。
第 2 层：任务执行型 Agent
这一层开始，Agent 才真正"动起来"。用户给定目标后，Agent 自己拆步骤、调工具、看结果，并持续推进，直到目标达成或显式失败。
代表产品：Manus、Claude Code、Cursor（Agent 模式）、Devon 等。
典型场景：
• Manus 做行业调研：给定调研目标，模型自己搜资料、读网页、整理信息、生成完整报告，全程无需人逐步指令。
• Claude Code 修 Bug：拿到 Bug 描述后，模型读报错、查源码、改文件、跑测试，测试失败就继续迭代修复。
任务执行型 Agent 的工程关键是工具调用——Agent 通过函数调用等方式接入文件、网页、代码、API 等外部能力。这是它推进工作的基础，没有工具调用，Agent 就只能停留在"嘴上说说"。
你给它一个目标，它会自己拆步骤、调工具、看结果、继续推进。
这类 Agent 的核心能力不是回答更像人，而是进入真实环境持续推进任务。
第 3 层：流程编排型 Agent
当业务开始重复出现，就不再适合让 Agent 每次都"自由发挥"。这一层把模型、知识库、插件、API、条件分支和人工审批节点用可视化方式编排成稳定业务流程，本质是 Agent 与 Workflow 的混合体。
代表产品：Coze、Dify、n8n、Flowise 等。
典型场景：客服问答 + 内容生成流水线。简单 FAQ 走知识库检索，开放性问题交给大模型，生成内容后还要走一道人工审核才发布。每一步都有明确的输入、输出、触发条件。
稳定部分走流程，开放判断交给模型。
这一层的工程关键是人工审批节点——在关键步骤上保留人类的判断，是 Agent 走向业务系统的必要设计。完全无人的自动化流程在企业里几乎跑不长。
第 4 层：系统集成型 Agent
流程编排解决"重复运行"的问题，但当 Agent 要进入企业核心业务，比如订单处理、合规审查、客户运营，就需要更强的底盘能力：权限控制、状态管理、日志审计、错误恢复、灰度发布、人工复核。
这一层通常基于 LangGraph、AutoGen、CrewAI 等框架搭建。框架本身不直接面向终端用户，而是作为业务系统的"Agent 中间件"嵌入到现有架构中。
企业真正要把 Agent 接进业务系统，通常不会只靠一个聊天窗口，而是用框架把 Agent 嵌进现有流程。
典型形态：一个 LangGraph 应用部署在内部 K8s 上，对接 CRM、ERP、工单系统，每次执行都有 trace 记录，支持回滚和审计。Agent 在这里已经不是一个产品，而是一项基础设施。
第 5 层：多体协作型 Agent
最后一层是多 Agent 协作。多个 Agent 分担调研、写作、审查、测试、运维等不同角色，通过 handoff 等机制协同完成复杂任务。
典型架构：
• 一个 Agent 负责调研，调用搜索、网页抓取、知识库检索。
• 一个 Agent 负责写作，拿到调研结果后生成文档。
• 一个 Agent 负责审查，检查事实、引文、格式。
• 最终结果由一个汇总 Agent 合并输出。
技术实现：LangGraph 多节点工作流、AutoGen 多 Agent 编排、OpenAI Agents SDK 的 handoff 机制。
这一层是自主程度的最高点，但也最容易被滥用——见第四节。
三、分类的边界与重叠
五层分类是工程视角的"主类目"，但现实中产品经常跨类。
Coze 既能做对话辅助（直接聊天），也能做流程编排（编排工作流），还能接入外部 API 做任务执行；LangGraph 既能搭单 Agent 应用，也能跑多 Agent 协作。区分它们的关键不是看产品宣传，而是看核心设计意图——这个产品的主界面是聊天窗口、工作流画布，还是代码框架？
常见的重叠形态有三种：
1. 第 2 层 + 第 3 层：任务执行型 Agent 内部经常嵌入流程编排，例如 Manus 执行一个调研任务时，本身就有一个"搜索→读取→整理→输出"的固定流程。
2. 第 3 层 + 第 4 层：流程编排产品（Dify、Coze）在企业落地时，必然要补齐权限、审计、状态管理这一层，否则进不了生产环境。
3. 第 4 层 + 第 5 层：基于 LangGraph、AutoGen 搭建的系统，往往既是系统集成框架，又支持多 Agent 协作——它们本来就不是互斥的设计。
稳定部分走流程，开放判断交给模型。
判断一个产品究竟落在哪一层，看三个特征：是否需要工具调用、是否有可视化流程画布、是否有权限与审计体系。三项都没有，是第 1 层；有工具调用但无流程画布，是第 2 层；有流程画布但无权限审计，是第 3 层；三项齐全，是第 4 层；如果同时支持多角色 handoff，就进入第 5 层。
四、多 Agent 的适用条件
多 Agent 协作听起来很美，但绝大多数场景不该用。
多 Agent 不是越多越强；否则只是把一个 Agent 的混乱，拆成几个 Agent 一起混乱。
多 Agent 协作只在同时满足以下条件时才有意义：
1. 子任务能拆开：调研、写作、审查可以独立并行，而不是必须串行依赖。
2. 接口能定义清楚：每个 Agent 的输入输出格式明确，不存在含糊的语义边界。
3. 结果能合并：多个 Agent 的产物有明确的合并策略，例如顺序拼接、投票、评分。
4. 检查标准明确：可以用规则或模型判断每个子任务的产出是否符合预期，失败可以重试。
一个反例：让两个 Agent 一起"讨论"一个产品方案。没有清晰的输入输出、没有合并规则、没有检查标准，最后产出的就是两次模型调用的叠加，token 翻倍，质量不一定提升。
另一个反例：把一个清晰的端到端任务硬拆成多 Agent。原本一个 Agent 30 秒能跑完的任务，拆成 5 个 Agent 后变成 2 分钟，且因为引入了多次交接和上下文传递，错误率反而上升。
只有当子任务能拆开、编解清楚、结果能合并、检查标准明确时，多 Agent 才有意义。
工程经验是：先用一个 Agent 把任务跑通，确认瓶颈在并行度或角色复杂度上之后，再考虑拆成多 Agent。
五、选型决策框架
把五类 Agent 与五类问题对齐，可以形成一套选型规则：
自主程度越高，能力越强，但需要的工程支撑也越多。
问题类型 | 对应 Agent 类型 | 典型形态
问题明确要回答 | 对话辅助型 | ChatGPT、文心一言、Plot
目标明确要推进 | 任务执行型 | Manus、Claude Code、Cursor、Devon
流程稳定要自动化 | 流程编排型 | Coze、Dify、n8n、Flowise
接近业务要可控 | 系统集成型 | LangGraph、AutoGen、CrewAI
复杂任务要分工 | 多体协作型 | LangGraph 多节点、AutoGen 多 Agent、OpenAI Agents SDK判断流程可以浓缩为五步：
1. 任务是"问一次答一次"，还是"给目标推到底"？前者选对话辅助，后者进入下一步。
2. 是否有固定的输入输出和触发条件？若有，选流程编排；若每次路径都不同，选任务执行。
3. 是否要接入企业内部系统（CRM、ERP、工单）？若是，必须升级到系统集成型。
4. 任务能否拆成 3 个以上独立可验的子任务？若是，考虑多体协作；否则维持单 Agent。
5. 每升一层，问自己一句：配套的权限、审计、监控、灰度、回滚都到位了吗？没到位就降一层。
速查表：按场景选 Agent 类型
场景 | 自主程度需求 | 推荐 Agent 类型 | 落地形态示例
翻译邮件、写周报、解释代码 | 低 | 对话辅助型 | ChatGPT、文心一言
调研行业、整理资料、生成报告 | 中低 | 任务执行型 | Manus、Claude Code
客服 FAQ + 复杂问题转人工 | 中 | 流程编排型 | Dify、Coze 编排工作流
修 Bug、改文件、跑测试 | 中 | 任务执行型 | Claude Code、Cursor Agent
把 Agent 接进 CRM、ERP | 中高 | 系统集成型 | LangGraph、AutoGen 框架
多角色协作写文档（调研+写作+审查） | 高 | 多体协作型 | OpenAI Agents SDK handoff
内容生产流水线（生成+审核+发布） | 中 | 流程编排型（含人工审批节点） | Coze、Dify + 人工节点
企业级智能运维、自动化办公 | 高 | 系统集成型 + 多体协作型 | LangGraph + 多 Agent 编排把产品名先放一边，从"自主程度"出发去对号入座，是当前 Agent 选型最直接的思路。